شركة Rocket Close سرّعت معالجة المستندات العقارية بمعدل 15 مرة مع AWS

أثبتت شركة Rocket Close أن حتى أكثر الأجزاء صعوبة في عملية الرهن العقاري - تحليل المستندات - يمكن تسريعها بشكل جذري من خلال دمج تقنية استخراج النصوص البصرية (OCR) والنماذج التوليدية. عملت الشركة بالتعاون مع مركز AWS للابتكار في الذكاء الاصطناعي التوليدي على بناء نظام يعتمد على Amazon Textract و Amazon Bedrock، وقد زاد من سرعة المعالجة بمقدار 15 مرة وحقق دقة مجموعة تبلغ حوالي 90% في تقسيم المستندات وتصنيفها واستخراج الحقول. بالنسبة لقطاع الرهن العقاري، هذا تحسن جوهري وليس مجرد تحسن شكلي.

قد تحتوي حزمة مستندات واحدة على استبيانات وكشوفات حسابات وخطابات التحقق من الدخل ونماذج الإفصاح ومستندات أخرى بصيغ مختلفة من الصور الممسوحة ضوئياً وملفات PDF والصور الفوتوغرافية. تتمتع بهياكل مختلفة ومستويات جودة متباينة وتنسيقات ملء غير موحدة، لذلك يُنفق جزء كبير من الوقت ليس على اتخاذ القرارات، بل على البحث عن الصفحات ذات الصلة والتعرف على النصوص ونقل البيانات الأساسية إلى الأنظمة التشغيلية. هذه المرحلة بالذات هي حيث تتراكم التأخيرات والأخطاء اليدوية.

يقسم حل Rocket Close المهمة إلى عدة مراحل واضحة ومنظمة. يتولى Amazon Textract مسؤولية استخراج النصوص البصرية: يستخرج النصوص والبنية من المستندات، بما في ذلك الجداول والنماذج والصور الممسوحة ضوئياً بجودة منخفضة. بعد ذلك، يطبق Amazon Bedrock النماذج الأساسية للقيام بعمليات منطقية أكثر تعقيداً: لا يكفي ببساطة قراءة محتوى الصفحة - يجب فهم نوع المستند وأي مجموعة ينتمي إليها وأين يبدأ القسم الجديد وأي الحقول ذات أهمية حقيقية للمعالجة اللاحقة.

يحول هذا النموذج تدفق الملفات غير المتجانسة إلى عملية أكثر قابلية للتنبؤ وقابلة للقراءة من قبل الأنظمة الآلية. المفتاح هنا لا يكمن فقط في السرعة، بل أيضاً في مستوى الأتمتة الذي يحققه. يعني التحسن المعلن وهو 15 مرة في وقت المعالجة أن الموظفين يستطيعون التعامل مع الحالات الضخمة بسرعة أكبر، وجزء من عمليات التحقق الروتينية ينتقل من الوضع اليدوي إلى الأتمتة.

رقم الدقة الإجمالية البالغ حوالي 90% مهم جداً أيضاً: لا يتعلق الأمر بمقياس واحد ضيق، بل يشمل ثلاث وظائف في آن واحد - تقسيم المستندات وتصنيفها واستخراج الحقول. بالنسبة لسير العمل في البيئات المؤسسية، هذا أكثر فائدة بكثير من نظام استخراج نصوص بصري قوي مستقل بدون القدرة على فهم السياق. هذا أمر حاسم بشكل خاص في السيناريوهات التي قد يؤدي فيها عدم اكتشاف مستند واحد أو التعرف عليه بشكل خاطئ إلى رفض الطلب وإعادة تشغيل سلسلة الموافقات بأكملها.

يستحق دور مركز AWS للابتكار في الذكاء الاصطناعي التوليدي إشارة خاصة. نادراً ما تنحصر هذه المشاريع في مجرد استدعاء واجهة برمجية لنموذج. تحتاج إلى اختيار معمارية مناسبة وتقسيم العملية إلى مراحل محددة والتمييز بين المواضع التي يكفي فيها نظام الاستخراج البصري الكلاسيكي والمواضع التي تتطلب قدرات استدلالية متقدمة، ثم مواءمة كل ذلك مع متطلبات الجودة والاستقرار التشغيلي.

سمحت الشراكة مع فريق AWS، كما تشير النتائج، لـ Rocket Close بالتقدم بسرعة أكبر من مرحلة المفهوم إلى نظام يمكن تطبيقه في سير عمل المستندات الحقيقي، وليس فقط في سيناريوهات التجارب والاختبارات. بالنسبة للسوق، هذا مثال إضافي على كيفية انتقال الذكاء الاصطناعي التوليدي من واجهات الدردشة الجاذبة إلى عمليات المكتب الخلفي الهادئة لكنها مكلفة للغاية. في قطاع الإقراض العقاري، تكون تكلفة التأخيرات ملموسة بشكل خاص: كلما زال وقت مرور الحزمة عبر سلسلة الموافقات، زادت الضغوط على الفريق وساءت تجربة العميل.

عندما تتم معالجة المستندات بسرعة أكبر واستقرار أعلى، تحصل الشركات ليس فقط على توفير في الوقت، بل أيضاً على جداول زمنية أكثر قابلية للتنبؤ وتقليل التحويلات اليدوية بين الأقسام والتحكم الأفضل في جودة البيانات. الخلاصة واضحة: يتم تحديد قيمة الذكاء الاصطناعي التوليدي في الخدمات المالية بشكل متزايد ليس من خلال العروض التوضيحية المؤثرة، بل من خلال فعاليته في إزالة العمليات الروتينية من نقاط الاختناق التشغيلية المحددة. يوضح حالة Rocket Close أن دمج تقنية استخراج النصوص البصرية والنماذج الأساسية يحقق بالفعل نتائج قابلة للقياس حيث كانت المعالجة اليدوية تتطلب ساعات طويلة في السابق.

بالنسبة للشركات ذات معدل تدفق مستندات عالي، هذا إشارة للنظر بعيداً عن برامج الدردشة الآلية والاهتمام بالعمليات الداخلية حيث توفر الأتمتة تأثيراً تشغيلياً مباشراً وملموساً.