Trích xuất dữ liệu từ tài liệu: những chỗ vẫn hay sai

Độ chính xác trên mẫu sạch là con số marketing

Các bản demo trích xuất dùng tài liệu scan đẹp, định dạng chuẩn. Hộp thư thật thì chứa ảnh chụp nghiêng, bản scan dính vết cà phê, và một nhà cung cấp vừa đổi bố cục tháng trước mà không báo ai.

Thiết kế cho ca thất bại, không phải ca thành công

Hành vi quan trọng là hệ thống làm gì khi nó không chắc. Có hai cách:

• Trả về một giá trị, không kèm tín hiệu gì. Ai đó ở phía sau sẽ tin nó.
• Trả về giá trị kèm độ tin cậy và toạ độ vùng nó lấy ra. Người kiểm tra những ca độ tin cậy thấp.

Cách thứ hai tốn công xây hơn, và là cách duy nhất sống sót khi chạm vào tài liệu thật.

Đối chiếu với những gì bạn đã biết

Phần lớn giá trị đến từ các phép kiểm tra chéo, không phải từ mô hình. Tổng các dòng có khớp với tổng ghi trên hoá đơn không? Con số thuế có khớp thuế suất của quốc gia đó không? Nhà cung cấp này có trong danh sách của bạn không? Một trường sai số học là sai, bất kể mô hình tự tin đến đâu.

Giữ bản gốc luôn truy cập được

Luôn lưu tài liệu nguồn và toạ độ của mọi giá trị đã trích. Khi một con số bị tranh cãi vài tháng sau, việc chỉ được đúng vùng trên đúng trang sẽ kết thúc cuộc tranh luận rất nhanh.