Digital document analysis using machine learning methods

Bc. Nicholas Čapek

Diplomová práce

Anotace:

Tato práce se zabývá problémem zpracování dokumentů v pojišťovnách, konkrétně využitím strojového učení v této oblasti. Rozebíráme proces zpracování dokumentů a příležitosti automatizování různých jeho částí u naší partnerské společnosti Generali Česká pojišťovna a.s. Pro vlastní zpracování v experimentální části byl vybrán problém detekování skoro duplicitních obrázků. Byly ozkoušeny různé přístupy na bázi detekování shodných bodů a extrakce textu pomocí OCR. Výsledky těchto experimentů byly nadále zlepšovány přidáváním nových prediktorů a kombinováním různých přístupů. Na základě dosažených výsledků byl schválen další postup projektu v partnerské společnosti.

Abstract:

This thesis is concerned with the problem of document processing in insurance companies, specifically with the utilization of machine learning in this area. We discuss a document processing pipeline and various opportunities for automation at our partner company, Generali Česká pojišťovna a.s. The problem of near-duplicate document detection was selected to be explored in the experimental section. A variety of approaches including keypoint matching and OCR text extraction were experimented with. We improved upon achieved results by extending the input features and combining multiple approaches. Based on the results achieved in this thesis, company representatives approved implementation and deployment of a near-duplicate detection system.

Keywords

keypoint matching, ORB, OCR, duplicate detection, insurance, digitization, near-duplicate, document processing, machine learning

Jazyk práce: angličtina

Datum vytvoření / odevzdání či podání práce: 17. 5. 2022

Obhajoba závěrečné práce

• Obhajoba proběhla 23. 6. 2022
• Vedoucí: RNDr. Jaroslav Čechák
• Oponent: doc. RNDr. Tomáš Brázdil, Ph.D.

Masarykova univerzita

Fakulta informatiky

Magisterský studijní program / obor:
Umělá inteligence a zpracování dat / Strojové učení a umělá inteligence