Beknopte samenvatting
Menselijke communicatie is in toenemende mate documentgebaseerd, waarbij
machines een breed aanbod aan visueel-rijke documenten moeten begrijpen
om mensen in hun dagelijks leven te assisteren. Te midden van de digitale
evolutie blijven documenten cruciale menselijke en organisatorische interacties
faciliteren, maar zijn ze gebonden aan handmatige verwerking, wat inefficiëntie
veroorzaakt. We onderzoeken waarom organisaties achterblijven bij het
adopteren van geautomatiseerde documentverwerkingsoplossingen en schetsen
twee primaire uitdagingen: de complexiteit van het algoritmisch verwerken van
lange, multimodale documenten en de noodzaak van betrouwbaarheid en controle
over daarmee samenhangende risico’s. Geautomatiseerde besluitvorming is
essentieel voor het verbeteren van de efficiëntie van documentverwerking, maar
de huidige stand van de technologie is nog niet betrouwbaar en robuust genoeg
om ingezet te worden in autonome toepassingen.
Het praktische doel dat gesteld wordt, is het ontwikkelen van systemen voor
Intelligente Automatisering (IA) die in staat zijn om vertrouwen in hun acties te
schatten, daarmee de doorvoer verhogend zonder extra kosten vanwege fouten.
We analyseren de belangrijkste uitdagingen en stellen oplossingen voor om de
kloof tussen onderzoek en praktische toepassingen te overbruggen, met een focus
op realistische datasets en experimentele methodologieën. Voortbouwend op
de fundamenten van Documentinterpretatie (DI), introduceert dit proefschrift
geavanceerde methodologieën die Machinaal Leren, Natuurlijke Taalverwerking
en Computer Visie combineren.
Door de duidelijke hiaten in onderzoek aan te pakken, presenteert dit werk
nieuwe methoden voor predictieve onzekerheidskwantificering (POK) naast
praktische kaders voor het evalueren van de robuustheid en betrouwbaarheid
van DI-technologieën. De bijdrage culmineert in de introductie van twee
nieuwe datasets voor classificatie van multipagina documenten en een veelzijdige
benchmark, DUDE
, ontworpen om de state-of-the-art in DI rigoureus
uit te dagen en te beoordelen. Uitgebreide experimenten met deze datasets
v