AI帳票処理・書類審査システムの設計戦略

VLM・LLM・自社OCR・ロジックの最適な役割分担と、サービスとしてのコスト構造 はじめに 前回の記事「AWSクローズド環境でLLMを利用する」では、Amazon Bedrockを軸としたセキュアな生成AI基盤の構築について解説しました。Bedrockのデータ保護ポリシー、閉域ネットワーク構成、利用可能なモデル、課...

VLM・LLM・自社OCR・ロジックの最適な役割分担と、サービスとしてのコスト構造 はじめに 前回の記事「AWSクローズド環境でLLMを利用する」では、Amazon Bedrockを軸としたセキュアな生成AI基盤の構築について解説しました。Bedrockのデータ保護ポリシー、閉域ネットワーク構成、利用可能なモデル、課金体系、そして営業優位性についてはそちらをご参照ください。 本記事では、その基盤の上で実際にAI帳票処理・書類審査システムを構築する場合の設計戦略に焦点を当てます。特に、VLM（Vision Language Model）・LLM・自社OCRモデル・プログラムロジックをどう組み合わせるべきか、それぞれの技術の得意・不得意を踏まえた役割分担、そしてサービスとして成立させるためのコスト構造まで、実務者が設計判断に必要な情報を解説します。 --- VLMへの過度な期待は禁物 1.1 VLMの本質的な強みと限界 VLM（Vision Language Model）は画像を「見て理解する」能力に優れたモデルです。帳票全体のレイアウトを把握し、「ここに注文日の欄がある」「この領域が明細テーブルだ」といった構造的な理解ができます。 しかし、VLMは文字認識そのものに特化して訓練されているわけではありません。VLMの強みは画像全体の構造理解、レイアウトの把握、意味的な文脈からの推論であって、1文字1文字のピクセルレベルの認識精度ではありません。 1.2 VLMの処理フローが持つ構造的な弱点 VLMが帳票を処理するフローを分解すると、画像を「見る」→ 内部で文字を認識する → 認識した文字を意味的に解釈する → キー・バリューを紐付ける、という順番になります。 ここで重要なのは、最初の「内部で文字を認識する」段階の精度が低ければ、その後の解釈も紐付けもすべて間違った文字情報の上に成り立つということです。土台が崩れればその上のすべてが崩れます。VLMの構造理解能力がいくら優れていても、読めない文字は正しく紐付けようがありません。 1.3 日本語手書き「くせ字」はVLMの明確な...