Zpracování výpisu z účtu pomocí metod strojového učení

Abstract

Práce se zabývá strojovým zpracováním výpisu z účtu ve formátu PDF. Jelikož se jedná o nestrukturovaný dokument, nelze z něj přímočaře získat informace o účtu a jednotlivých transakcích pro další využití. Cílem práce je převod zmíněného dokumentu do strukturovaného formátu, a proto je nejdříve provedena rešerše formátu PDF, existujících metod strojového čtení nestrukturovaných dokumentů spolu s analýzou veřejně dostupných datasetů, které jsou mezi sebou porovnány a je diskutována jejich využitelnost při řešení dané úlohy. V praktické části je popsán částečně automatizovaný postup tvorby vlastního datasetu zakládajícím na veřejně dostupných výpisech z účtu, vysvětlena problematika této činnosti a následná tvorba modelu strojového učení. Jsou zhodnoceny dosažené výsledky modelu, další možnosti jejich zlepšení a nástin rozšíření stávajícího datasetu efektivní cestou. Výsledkem práce je aplikace pro zpracování výpisu z účtu do strukturovaného formátu.

This thesis deals with machine processing of bank statement in PDF format. Since it is an unstructured document, it is not possible to directly extract account and individual transaction information for further use. The goal is to convert the said document into a structured format, therefore, a research on PDF format, existing methods for machine reading of unstructured documents along with analysis of publicly available datasets is first carried out and their applicability in solving the given task is discussed. The practical part describes a partially automated procedure of creation of a custom dataset based on publicly available bank statements, explains the problems of this activity and the subsequent creation of a machine learning model. The achieved results of the model, further possibilities of their improvement and an outline of the extension of the existing dataset in an effective way are presented. The result of the work is an application for processing account statements into a structured format.