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、同じ項目が異なるレイアウトで届きます。航空会社は確認コードをメールの件名に記載します。ホテルのアプリではバナーカードとして表示されます。配車の領収書ではタイムスタンプ付きの行に埋め込まれます。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スクリーンショットには対応できません。

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、確認がメールで送信された場合に限ります。Uber、OpenTable、Ticketmasterのアプリ内画面は受信トレイに届きません。Redditのユーザーは旅行前にすべての予約を日常的にスクリーンショットしてバックアップを取り、それらの項目を経費管理ツールに手入力しています。

関連する予約データが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ページ目、部屋料金が別のページに記載されています。配送通知では、追跡番号が1つのテキストブロック、配達時間枠が別のブロックにあります。基本的なOCRはすべてを読み順に出力するため、どの番号がどこに対応するかを自分で組み立てる必要があります。

列を指定するだけで、AIが位置ではなく意味で値を特定します。「確認番号」「金額」「日付」と入力します。視覚言語モデルは、航空会社のメール内の6桁のコード、ホテルのカード内の「予約ID」、配車の領収書内のトリップ番号がすべて同じフィールドを表していることを理解します。AIにどこを見るかを指示する必要はなく、何が欲しいかを伝えるだけです。

バッチ内のすべての予約タイプにわたって1つの列セットを使用。航空会社のメール、ホテルのアプリ画面、配車の領収書、イベントチケットをまとめてアップロードします。列を一度定義するだけで、AIが各フォーマットに個別に適応し、ソースの種類に視覚的な共通点がなくても、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行になります。

意味的な文脈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「予約番号:」や「部屋:」などの周囲のラベルを読み取り、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。