確認番号、金額、日付をあらゆる予約確認スクリーンショットから抽出

予約の種類ごとに、同じ項目でもレイアウトが異なります。 航空会社は確認コードをメールの件名に記載します。ホテルのアプリはバナーカードとして表示します。配車の領収書はタイムスタンプ付きの行に埋め込まれています。テンプレートベースのOCRでは送信元ごとに個別の設定が必要で、選択可能なテキストがないアプリ内のスクリーンショットでは機能しません。

メールパーサーはモバイルアプリのスクリーンショットを処理できません。 メールの転送は機能しますが、予約確認がメールで送信された場合に限ります。Uber、OpenTable、Ticketmasterなどのアプリ内画面は受信トレイに届きません。Redditのユーザーは、予約のたびにスクリーンショットをバックアップとして撮り、その項目を経費トラッカーに手入力しているとよく報告しています。

関連する予約データは複数の画面に分散しています。 ホテルのメールでは、合計金額と日付が1ページ、部屋の料金が別のページに表示されます。配送通知では、追跡番号が1つのテキストブロック、配達時間帯が別のブロックにあります。基本的なOCRは読み取り順にすべてを出力するため、どの番号がどこに対応するかをユーザーが再構成する必要があります。

列を指定するだけで、AIが意味に基づいて値を特定します。 「確認番号」「金額」「日付」と入力してください。視覚言語モデルは、航空会社のメールにある6桁のコード、ホテルカード内の「予約ID」、配車領収書のトリップ番号がすべて同じフィールドであることを理解します。AIに探す場所を指示する必要はなく、何が欲しいかを伝えるだけで済みます。

バッチ内のすべての予約タイプに、1つの列セットを適用。 航空会社のメール、ホテルアプリのスクリーンショット、配車領収書、イベントチケットを一緒にアップロードします。列は一度定義するだけ。AIは各フォーマットに個別に適応します。ソースの種類が視覚的な構造を共有していなくても、すべてのスクリーンショットが同じスプレッドシートの1行になります。

意味的なコンテキストがあいまいなフィールドを解決します。 「3842」のような数字は、確認コードにも部屋番号にもなり得ます。AIは周囲のラベル（「予約参照:」「部屋:」など）を読み取り、各値を正しい列に割り当てます。ソースや言語に関係なく、一貫した出力が得られます。