AI Entry: số hóa dữ liệu hình ảnh bằng công nghệ VL — thay thế 50 cộng tác viên nhập liệu trong một lần triển khai

Có một đội quân vô hình trong rất nhiều doanh nghiệp Việt Nam: các cộng tác viên nhập liệu. Họ ngồi nhìn ảnh chụp hóa đơn, biểu mẫu, căn cước, biên lai, hay sổ tay viết tay, rồi gõ lại từng dòng vào Excel hoặc phần mềm nội bộ. Công việc lặp lại, dễ sai, khó kiểm soát chất lượng, và gần như không thể scale khi khối lượng tăng đột biến theo mùa vụ — cuối tháng, mùa quyết toán, hay khi tồn kho hồ sơ giấy cần số hóa gấp.

AI Entry là sản phẩm KonexForge xây để thay thế chính khâu này: số hóa dữ liệu hình ảnh bằng mô hình Vision-Language (VL), đọc ảnh và xuất thẳng dữ liệu có cấu trúc. Một lần triển khai đúng cách có thể đảm nhận khối lượng tương đương khoảng 50 cộng tác viên nhập liệu — nhưng phần quan trọng nhất của bài viết này là giải thích trung thực 'tương đương 50 người' thực chất nghĩa là gì, và với điều kiện nào thì đạt được.

Vì sao VL khác OCR truyền thống

OCR cổ điển trả lời câu hỏi 'trên ảnh có những ký tự nào?'. Nó đọc chữ thành text, nhưng không hiểu cấu trúc: đâu là số hóa đơn, đâu là tổng tiền, dòng nào thuộc bảng nào, ô này trống hay bị gạch. Hậu quả là sau OCR vẫn cần một lớp người (hoặc rất nhiều rule mong manh) để biến text thô thành dữ liệu dùng được.

Mô hình Vision-Language trả lời câu hỏi khác: 'tài liệu này nói gì, và hãy trả về theo đúng schema tôi cần'. VL nhìn ảnh như con người — hiểu bố cục, bảng biểu, quan hệ giữa nhãn và giá trị, đọc được chữ viết tay và văn bản đa ngôn ngữ, và có thể xuất thẳng JSON theo cấu trúc định trước (ví dụ: `{ so_hoa_don, ngay, nha_cung_cap, tong_tien, dong_hang: [...] }`). Nó suy luận được 'ô tổng tiền nằm dưới bảng, in đậm' thay vì chỉ đọc ra một dãy số rời rạc.

Khác biệt này nghe có vẻ kỹ thuật, nhưng tác động kinh doanh rất lớn: với OCR, bạn tiết kiệm thao tác gõ nhưng vẫn cần người hiểu và sắp xếp dữ liệu; với VL, phần lớn việc hiểu-và-sắp-xếp được tự động hóa, con người chỉ còn xử lý ngoại lệ.

Kiến trúc pipeline AI Entry

AI Entry không phải một lời gọi API duy nhất 'ảnh vào, dữ liệu ra'. Để đạt độ tin cậy ở mức sản xuất, pipeline gồm bốn lớp:

1. Tiền xử lý ảnh

Deskew (xoay thẳng ảnh chụp nghiêng), khử nhiễu, cắt vùng cần đọc, chuẩn hóa độ phân giải và độ tương phản. Ảnh đầu vào từ điện thoại hay máy scan cũ thường là nguyên nhân số một gây sai — xử lý tốt ở lớp này giúp các lớp sau chính xác hơn nhiều.

2. Trích xuất bằng VL

Mô hình VL đọc ảnh đã chuẩn hóa và xuất dữ liệu theo schema mục tiêu. Đây là lõi của hệ thống — nơi tài liệu được 'hiểu' chứ không chỉ được 'đọc'.

3. Chấm điểm tin cậy theo từng field

Mỗi giá trị trích xuất đi kèm một điểm confidence. Một field như 'mã số thuế' có thể được kiểm tra chéo bằng checksum; 'tổng tiền' có thể đối chiếu với tổng các dòng hàng; 'ngày' phải hợp lệ. Confidence thấp hoặc vi phạm validation sẽ được đánh dấu để con người xem.

4. Human-in-the-loop (HITL) — chỉ cho phần khó

Đây là điểm mấu chốt. Hệ thống không cố tự động 100%. Field tin cậy cao đi thẳng vào dữ liệu đầu ra; chỉ những field tin cậy thấp mới vào hàng đợi cho người kiểm tra. Một người giám sát có thể duyệt phần ngoại lệ của hàng nghìn tài liệu mỗi ngày — năng suất gấp hàng chục lần so với gõ tay toàn bộ.

'Thay thế 50 cộng tác viên' nghĩa là gì

Con số này không đến từ phép màu 'AI làm hết'. Nó đến từ việc dịch chuyển vai trò con người: từ gõ lại từng ký tự sang chỉ xử lý phần mà máy chưa chắc chắn. Nếu 90% field được trích xuất tự động với độ tin cậy cao, thì khối lượng cần con người chỉ còn 10% — và 10% đó được gom lại, ưu tiên, trình bày gọn gàng để duyệt nhanh.

Hệ quả: một quy trình từng cần 50 cộng tác viên nhập tay có thể vận hành với một nhóm nhỏ giám sát chất lượng, sau một lần triển khai. Năng suất tăng không phải vì con người bị thay bằng hộp đen, mà vì máy gánh phần lặp lại và con người tập trung vào phần phán đoán.

Nguyên tắc thiết kế: tự động hóa cái chắc chắn, đưa cái không chắc chắn cho con người — và đo lường tỷ lệ tự động hóa như một chỉ số vận hành, không phải lời hứa marketing.

Chất lượng và độ chính xác — không chỉ tin vào model

Độ tin cậy của AI Entry không nằm ở chỗ 'model giỏi', mà ở các lớp kiểm soát quanh model: validation rule (regex, checksum mã số thuế/CCCD, ràng buộc cross-field), đối soát với master data (danh sách nhà cung cấp, mã sản phẩm có sẵn), ngưỡng confidence điều chỉnh được theo mức độ rủi ro của từng loại tài liệu, và audit trail đầy đủ — mỗi giá trị truy được về ảnh gốc và người đã duyệt.

Bảo mật và data residency

Nhiều loại tài liệu cần số hóa là dữ liệu nhạy cảm: căn cước công dân, hồ sơ y tế, chứng từ tài chính. AI Entry hỗ trợ chạy mô hình VL local (on-premises hoặc private cloud) cho các luồng này — ảnh và dữ liệu trích xuất không rời khỏi hạ tầng của doanh nghiệp, đáp ứng yêu cầu PDPA và chính sách nội bộ. Các luồng không nhạy cảm có thể dùng mô hình cloud lớn hơn để tối ưu chất lượng.

Khi nào AI Entry phù hợp — và khi nào không

• Phù hợp: khối lượng tài liệu lớn và lặp lại (hóa đơn AP, onboarding KYC từ CCCD, số hóa hồ sơ giấy tồn kho, khảo sát giấy, chứng từ logistics), nơi cấu trúc dữ liệu đầu ra rõ ràng và có thể định nghĩa schema.
• Cân nhắc kỹ: ảnh chất lượng quá thấp không thể cải thiện bằng tiền xử lý; field đòi hỏi phán đoán pháp lý/chuyên môn sâu mà sai sót có hậu quả nghiêm trọng (vẫn nên giữ HITL chặt); hoặc khối lượng quá nhỏ khiến chi phí triển khai không bù lại được.

Nếu doanh nghiệp bạn đang chi một khoản đáng kể mỗi tháng cho nhập liệu thủ công từ ảnh, hoặc đang tồn một kho hồ sơ giấy chưa số hóa, AI Entry là một bài toán có ROI đo được. Hãy bắt đầu bằng một mẫu vài trăm tài liệu thật để đo tỷ lệ tự động hóa trước khi mở rộng. Tìm hiểu thêm về năng lực AI của KonexForge.