📢 转载信息
原文作者：Jeremy Little, Chris Day 等
本文由 Rocket Close 的 Jeremy Little 和 Chris Day 共同撰写。
位于底特律的产权与评估管理公司 Rocket Close 通过引入先进的生成式 AI 技术，成功将原本耗时且繁琐的手动抵押贷款文档处理过程转变为高效的自动化解决方案。该公司每天需要处理约 2,000 个摘要包文件，平均每个文件包含 75 页，人工提取信息平均需要 10 小时，这造成了巨大的资源负担和工作流瓶颈。
通过与 AWS 生成式 AI 创新中心 (GenAIIC) 的战略合作，Rocket Close 开发出了一套智能文档处理解决方案，使处理速度提升了 15 倍。该方案利用 Amazon Textract 进行 OCR 处理，并结合 Amazon Bedrock 的基础模型 (FMs)，在文档分割、分类和字段提取方面实现了高达 90% 的整体准确率。
大规模手动处理的挑战
Rocket Close 在其产权和评估管理服务中需要处理海量复杂的文档。面对业务扩展，他们遇到了几个关键瓶颈：
- 工作量过载：每天处理 2,000 个摘要包，每个平均 75 页。
- 耗时流程：每个包实际手动处理时间约为 30 分钟，累计导致严重的滞后。
- 财务压力：高昂的每文件处理成本，每年累计支出高达数百万美元。
- 扩展性限制：手动流程无法跟上业务需求的增长速度。
- 质量问题：人工操作容易出现错误和数据不一致。
解决方案架构
AWS GenAIIC 和 Rocket Close 团队协作开发了一个两阶段工作流：
第一阶段：使用 Amazon Textract 将文档图像转换为机器可读的文本，保留文档的结构层级并转换为 Markdown 格式。
第二阶段：利用 Amazon Bedrock 进行深入的文档分析和数据提取。系统首先对文档进行分类和分割，随后利用特定领域的知识资源和提示词工程，提取出所需的关键字段，并将其标准化为 JSON 格式。
成果与影响
该方案不仅大幅缩短了处理时间，还带来了显著的商业价值：
- 效率提升：将单个文档包的处理时间从 30 分钟缩短至 2 分钟以内。
- 成本节约：显著降低了每份文件的处理成本，支持企业级规模的业务扩张。
- 精度保障：维持了 90% 的整体准确率，减少了人为错误，并统一了输出数据格式。
- 弹性扩展：云原生架构可轻松应对每年超过 500,000 份文档的处理压力，无需增加人员编制。
未来展望
Rocket Close 正计划将此方案从概念验证 (POC) 推向生产环境。未来的迭代重点包括利用反馈循环持续优化准确性，建立大模型更新策略以应用最新的 AI 进展，并将此自动化方案推广至贷款偿还、采购协议和产权结清等更多核心业务场景中。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区