【玉山AI實例2】一年千萬張支票如何消化？玉山銀行靠票據辨識來加速

玉山銀行一年要發出上千萬張支票，為正確登記票據金額，往往得動用大量人力登打資料。

從流程上來說，每張支票或匯款單進入分行後，分行會開始審核、簡單建檔以及掃描影像，再由集中作業部人工建立完整檔案、確認資料，最後才交給票據交換所。

而玉山銀行的最大痛點，就在集中作業部。因為，他們得耗費大量人力和工時來登打資料，每到月初月底，還得調度人力應付大量業務。這種調度仰賴經驗，沒有系統能即時監控、輔助決策；也因為沒有系統，支援紀錄不被留存，考核時更難有依據依循。

為解決問題，玉山銀行展開一項AI專案，要打造一套票據手寫辨識模型，來輔助人員登打資料。

收集各種資料，要讓模型辨識國字、數字和不同字體

這套模型的任務，是要辨識票據上的日期、新臺幣大寫金額，以及阿拉伯數字金額。但對開發這套模型的智能金融處來說，還有個挑戰，也就是不同字體的辨識。

舉例來說，票據上的日期有可能是手寫或印刷體，也有可能是機器打印。為了讓模型學會辨識多元字體，玉山銀行收集了大量票據資料來訓練。

模型訓練完畢後，就部署到內部MLaaS平臺上，讓業務系統透過API呼叫模型辨識。在辨識流程上，前端票據作業系統收到票據掃描檔後，會呼叫MLaaS平臺的票據辨識模型，來判斷票據資訊。

設計專屬Feedback API即時教模型，每天解放4、5名人力

這時，票據辨識模型會先告知系統，是否能正確辨識票據金額和日期。若能辨識，就會進入後續自動化流程，要是無法，則由前端票據作業系統觸發人工處理通知。

這麼做的好處是，團隊可以即時回饋資料，用人工辨識的資料來重新訓練模型、提高辨識準確度。為加強這一點，玉山還設計一支Feedback API，能從前端票據作業系統傳遞交易ID和基準值（Ground Truth）數值，來觸發後端系統，重新訓練模型。

玉山透露，現在約9成票據不再由人工辨識，相當於每天解放4、5名人力，來從事更有價值的工作。