Khung phương pháp chuyển đổi tài liệu tài chính - kế toán phi cấu trúc thành dữ liệu có cấu trúc

ThS. Nguyễn Văn Mùi

Email: [email protected]

ThS. Nguyễn Đình Thà

Email: [email protected]

Phân hiệu Học viện Chính sách và Phát triển tại thành phố Đà Nẵng

Tóm tắt

Nhiều thông tin tài chính - kế toán vẫn được lưu trong hợp đồng, hóa đơn, chứng từ, báo cáo và tệp quét có cấu trúc không đồng nhất, làm hạn chế khả năng tổng hợp và phân tích tự động. Nghiên cứu sử dụng tổng quan tường thuật có định hướng kết hợp thiết kế khung phương pháp để hệ thống hóa các tiếp cận về tích hợp và chất lượng dữ liệu, nhận dạng ký tự quang học và trí tuệ nhân tạo xử lý tài liệu (Document AI), truy xuất nguồn gốc, quản trị rủi ro trí tuệ nhân tạo và kiểm soát của con người. Trên cơ sở đó, nghiên cứu đề xuất khung 8 giai đoạn chuyển đổi tài liệu phi cấu trúc thành dữ liệu có cấu trúc, cùng 3 nguyên tắc thiết kế và 8 chỉ số đánh giá thuộc 4 nhóm. Khung nghiên cứu nhấn mạnh việc xác định lược đồ trước, duy trì liên kết với tài liệu nguồn và kiểm duyệt theo mức độ rủi ro. Đóng góp của nghiên cứu là kết nối công nghệ xử lý tài liệu với yêu cầu kiểm soát dữ liệu tài chính - kế toán, tạo cơ sở cho các nghiên cứu thực nghiệm và triển khai trong tương lai.

Từ khóa: Chất lượng dữ liệu, trí tuệ nhân tạo xử lý tài liệu, dữ liệu có cấu trúc, tài liệu tài chính - kế toán, truy xuất nguồn gốc dữ liệu

Abstract

A substantial amount of financial and accounting information remains embedded in contracts, invoices, documents, reports, and scanned files with heterogeneous structures, thereby limiting the potential for automated data aggregation and analysis. The study employs a focused narrative review combined with methodological framework development to systematize existing approaches to data integration and quality, optical character recognition and Document AI, data traceability, AI risk governance, and human oversight. Based on this synthesis, the study proposes an eight-stage framework for transforming unstructured documents into structured data, comprising three design principles and eight evaluation indicators organized into four categories. The proposed framework emphasizes schema-first design, the preservation of links to source documents, and risk-based human review. The study contributes to the literature by integrating document processing technologies with the specific requirements of financial and accounting data control, thereby providing a methodological foundation for future empirical research and practical implementation.

Keywords: Data quality, Document AI, structured data, financial and accounting documents, data traceability

ĐẶT VẤN ĐỀ

Chuyển đổi số đang làm thay đổi cách tạo lập, lưu trữ và khai thác thông tin tài chính - kế toán. Chương trình Chuyển đổi số quốc gia xác định dữ liệu là nguồn lực quan trọng cho kinh tế số, trong khi Chiến lược kế toán - kiểm toán đến năm 2030 nhấn mạnh yêu cầu nâng cao chất lượng hệ thống thông tin kinh tế, tài chính và ngân sách phục vụ điều hành và ra quyết định (Thủ tướng Chính phủ, 2020, 2022). Tuy vậy, nhiều thông tin nghiệp vụ vẫn nằm trong hợp đồng, hóa đơn, chứng từ, báo cáo, biên bản và tệp PDF hoặc ảnh quét có bố cục không đồng nhất.

Sự khác biệt giữa “tài liệu để đọc” và “dữ liệu để xử lý” làm tăng khối lượng nhập liệu, đối chiếu và tổng hợp thủ công. Một hóa đơn có thể chứa đủ số hóa đơn, ngày lập, mã số thuế, tiền hàng, thuế và tổng thanh toán nhưng vị trí các trường thay đổi theo mẫu. Tương tự, giá trị, thời hạn hoặc nghĩa vụ thanh toán trong hợp đồng có thể được diễn đạt theo nhiều cách. Nếu không chuẩn hóa theo một lược đồ thống nhất, các thông tin này khó kết nối trực tiếp với hệ thống phân tích và kiểm soát.

Theo quy trình tích hợp dữ liệu gồm trích xuất, biến đổi và nạp dữ liệu (ETL), thông tin từ nhiều nguồn cần được chuyển vào môi trường có cấu trúc trước khi phân tích (Kimball và Caserta, 2004). Với tài liệu phi cấu trúc, quá trình này gồm nhận dạng bố cục, xác định trường thông tin, chuẩn hóa giá trị và kiểm tra logic nghiệp vụ. Những tiến bộ về nhận dạng ký tự quang học (OCR), kiến trúc Transformer và trí tuệ nhân tạo (AI) xử lý tài liệu đã mở rộng khả năng tự động hóa (Huang và cộng sự, 2022; Kim và cộng sự, 2022; Wang và cộng sự, 2024; Xu và cộng sự, 2020), nhưng sai số ở giai đoạn nhận dạng hoặc trích xuất vẫn có thể lan sang đối chiếu, phân tích và quyết định tài chính - kế toán.

Trong phạm vi tài liệu được tổng quan, phần lớn nghiên cứu về AI xử lý tài liệu tập trung vào nhận dạng, biểu diễn bố cục và hiểu nội dung tài liệu. Trong khi đó, các chuẩn về chất lượng dữ liệu, truy xuất nguồn gốc và quản trị rủi ro nhấn mạnh các điều kiện để dữ liệu có thể được sử dụng một cách đáng tin cậy. Việc tích hợp 2 hướng tiếp cận này đặc biệt cần thiết trong tài chính - kế toán, nơi dữ liệu sau trích xuất phải đồng thời có cấu trúc, có thể kiểm chứng và tuân thủ quy tắc nghiệp vụ.

Từ khoảng trống trên, nghiên cứu hướng tới 3 mục tiêu: (i) xây dựng khung phương pháp chuyển đổi tài liệu tài chính - kế toán phi cấu trúc thành dữ liệu có cấu trúc; (ii) xác định các điểm kiểm soát chất lượng và truy xuất nguồn gốc; và (iii) đề xuất bộ chỉ số cùng thiết kế đánh giá cho các triển khai sau này. Khung kết hợp 3 nguyên tắc: thiết kế lược đồ trước, truy xuất nguồn gốc ngay từ kiến trúc và kiểm duyệt của con người theo mức độ rủi ro.

CƠ SỞ LÝ THUYẾT

Tài liệu phi cấu trúc và chất lượng dữ liệu

Dữ liệu có cấu trúc được tổ chức theo lược đồ xác định trước, trong đó mỗi trường có tên, kiểu dữ liệu và ràng buộc. Tài liệu phi cấu trúc hoặc bán cấu trúc có thể chứa văn bản tự do, bảng biểu, hình ảnh, chữ ký và con dấu; ý nghĩa nghiệp vụ thường phụ thuộc cả nội dung lẫn vị trí trình bày. Trong nghiên cứu này, chuyển đổi thành dữ liệu có cấu trúc là quá trình ánh xạ thông tin nghiệp vụ từ tài liệu nguồn vào mô hình dữ liệu đích, đồng thời lưu vị trí nguồn và trạng thái kiểm tra để bản ghi có thể truy vấn, đối chiếu và kiểm chứng.

Chất lượng dữ liệu là khái niệm đa chiều. Batini và Scannapieco (2016) thảo luận các chiều như độ chính xác, tính đầy đủ và tính nhất quán; ISO/IEC 25012:2008 cung cấp mô hình chất lượng đối với dữ liệu có cấu trúc trong hệ thống máy tính (ISO/IEC, 2008). Với dữ liệu hình thành từ tài liệu, việc kiểm soát cần được thực hiện xuyên suốt chuỗi xử lý vì sai số ở tầng nhận dạng có thể tiếp tục lan sang trích xuất, chuẩn hóa và phân tích.

Từ nhận dạng ký tự quang học đến AI xử lý tài liệu

OCR chuyển nội dung hình ảnh thành chuỗi ký tự máy đọc được; Smith (2007) mô tả Tesseract, một hệ thống OCR điển hình. Việc hiểu tài liệu còn đòi hỏi mô hình hóa quan hệ giữa nội dung và bố cục. Kiến trúc mô hình Transformer là nền tảng cho nhiều mô hình hiểu tài liệu hiện đại (Vaswani và cộng sự, 2017). Mô hình LayoutLM kết hợp biểu diễn văn bản với thông tin bố cục (Xu và cộng sự, 2020); LayoutLMv3 mở rộng tiền huấn luyện đa phương thức bằng cơ chế che văn bản và ảnh thống nhất (Huang và cộng sự, 2022); Donut đề xuất hướng hiểu tài liệu không cần bộ OCR bên ngoài (Kim và cộng sự, 2022); còn DocLLM kết hợp ngữ nghĩa văn bản với thông tin không gian của bố cục (Wang và cộng sự, 2024).

Các mô hình ngôn ngữ lớn và mô hình hiểu tài liệu có thể hỗ trợ trích xuất thông tin theo lược đồ, đặc biệt khi cách diễn đạt trong tài liệu không đồng nhất. Tuy nhiên, đối với dữ liệu tài chính - kế toán, kết quả trích xuất không nên được chấp nhận chỉ dựa trên đầu ra của mô hình mà cần đối chiếu với tài liệu gốc, lược đồ dữ liệu và quy tắc nghiệp vụ. Tạo sinh dựa trên truy xuất tăng cường (RAG) kết hợp truy xuất tài liệu với mô hình sinh, qua đó tạo đầu ra có điều kiện trên nguồn được truy xuất (Lewis và cộng sự, 2020). Trong khung đề xuất, cơ chế truy xuất chỉ là một thành phần hỗ trợ; bước xác thực theo nguồn và quy tắc vẫn được duy trì.

Truy xuất nguồn gốc và giám sát của con người

Mô hình PROV của World Wide Web Consortium mô tả thông tin truy xuất nguồn gốc dữ liệu thông qua các thực thể, hoạt động và tác nhân tham gia quá trình tạo dữ liệu (W3C, 2013). Với dữ liệu kế toán, truy xuất nguồn gốc cho phép xác định một giá trị đến từ tài liệu nào, đã qua những bước biến đổi nào và được xác nhận ra sao; đây là cơ sở quan trọng cho kiểm toán, đối chiếu và giải trình.

Ở góc độ quản trị, khung quản trị rủi ro AI của Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ (NIST AI RMF) nhấn mạnh việc nhận diện, đo lường và quản lý rủi ro trong vòng đời hệ thống AI (Tabassi, 2023). Shneiderman (2020) cho thấy, mức tự động hóa cao vẫn có thể đi cùng mức kiểm soát cao của con người nếu hệ thống được thiết kế phù hợp. Vì vậy, cơ chế kiểm duyệt có sự tham gia của con người nên ưu tiên các trường hợp có rủi ro hoặc mức trọng yếu cao. Khi triển khai dài hạn, cũng cần tính đến phụ thuộc dữ liệu, thay đổi môi trường và nợ kỹ thuật của hệ thống học máy (Sculley và cộng sự, 2015).

PHƯƠNG PHÁP NGHIÊN CỨU VÀ NGUYÊN TẮC XÂY DỰNG KHUNG

Nghiên cứu sử dụng tổng quan tường thuật có định hướng kết hợp thiết kế khung phương pháp. Mục tiêu của phần tổng quan là nhận diện các thành phần cần thiết cho một chuỗi chuyển đổi dữ liệu có thể kiểm soát, không phải ước lượng hiệu quả tổng hợp của các công nghệ; vì vậy nghiên cứu không áp dụng hướng dẫn báo cáo tổng quan hệ thống PRISMA. Tài liệu được lựa chọn theo 4 nhóm chủ đề: (i) tích hợp và chất lượng dữ liệu; (ii) nhận dạng ký tự quang học và AI xử lý tài liệu; (iii) truy xuất nguồn gốc dữ liệu; và (iv) quản trị rủi ro AI và kiểm soát của con người. Việc lựa chọn ưu tiên các công trình nền tảng, nghiên cứu mô tả trực tiếp công nghệ xử lý tài liệu, cùng nguồn chính thức đối với tiêu chuẩn và văn bản chính sách.

Quá trình xây dựng khung được thực hiện theo 3 bước. Thứ nhất, xác định các yêu cầu đầu ra của dữ liệu tài chính - kế toán, gồm tính có cấu trúc, khả năng kiểm tra và khả năng truy ngược về nguồn. Thứ hai, ánh xạ các chức năng kỹ thuật cần thiết vào chuỗi xử lý từ tiếp nhận tài liệu đến lưu trữ. Thứ ba, bố trí các điểm kiểm soát để hạn chế sai số ở một giai đoạn tiếp tục lan sang giai đoạn sau. Khung được tổ chức quanh 3 nguyên tắc: thiết kế lược đồ trước nhằm xác định lược đồ, kiểu dữ liệu và quy tắc kiểm tra trước khi trích xuất; truy xuất nguồn gốc ngay từ khâu thiết kế nhằm duy trì liên kết với nguồn xuyên suốt quá trình; kiểm duyệt có sự tham gia của con người giúp chuyển các trường có độ tin cậy thấp, mâu thuẫn hoặc trọng yếu cho người có chuyên môn. Ba nguyên tắc này bổ trợ lẫn nhau: lược đồ xác định điều kiện kiểm tra, truy xuất nguồn gốc cung cấp bằng chứng, còn kiểm duyệt tạo phản hồi để điều chỉnh quy tắc và mô hình.

KẾT QUẢ XÂY DỰNG KHUNG PHƯƠNG PHÁP

Khung 8 giai đoạn

Kết quả tổng hợp là khung 8 giai đoạn, được thiết kế theo hướng độc lập với nhà cung cấp công nghệ. Tại mỗi giai đoạn, tổ chức có thể sử dụng quy tắc, mô hình học máy, mô hình ngôn ngữ hoặc giải pháp lai; tuy nhiên, đầu ra phải có khả năng kiểm tra và duy trì liên kết với tài liệu nguồn. Bảng 1 trình bày các giai đoạn và cơ chế kiểm soát tương ứng.

Bảng 1: Khung 8 giai đoạn chuyển đổi tài liệu tài chính - kế toán

Nguồn: Đề xuất của nhóm tác giả trên cơ sở tổng quan

Lược đồ dữ liệu phải được thiết kế trước khi chuỗi xử lý vận hành; giai đoạn 7 chỉ ánh xạ các trường đã trích xuất và kiểm tra vào cấu trúc đích. Thông tin truy xuất nguồn gốc cũng phải được ghi nhận ngay từ khi tiếp nhận tài liệu; giai đoạn 8 là bước lưu trữ đầy đủ chuỗi truy vết cùng bản ghi cuối cùng.

Lược đồ dữ liệu, điểm tin cậy và phân luồng kiểm duyệt

Một bản ghi đích nên gồm 3 nhóm trường: nghiệp vụ, kỹ thuật và truy xuất nguồn gốc. Với hóa đơn, trường nghiệp vụ có thể gồm số hóa đơn, ngày lập, mã số thuế, tiền trước thuế, thuế và tổng thanh toán; với hợp đồng có thể gồm mã hợp đồng, các bên, ngày ký, giá trị, thời hạn và điều khoản trọng yếu. Trường kỹ thuật ghi mã tài liệu, mã trang và phương pháp trích xuất; trường truy xuất nguồn gốc lưu vị trí nguồn và trạng thái xác nhận.

Mỗi trường dữ liệu nên lưu tối thiểu 5 thuộc tính: tên trường, giá trị, vị trí nguồn, phương pháp trích xuất và điểm tin cậy. Điểm tin cậy không nên được diễn giải như xác suất đúng nếu chưa được hiệu chỉnh trên dữ liệu kiểm định; trong trường hợp đó, điểm này chỉ nên dùng làm tín hiệu phân luồng. Hệ thống có thể tự động chấp nhận trường đạt ngưỡng cao và vượt kiểm tra; chuyển trường mâu thuẫn hoặc trọng yếu cho người kiểm duyệt; từ chối hoặc tái xử lý trường có độ tin cậy thấp. Ngưỡng cần được thiết lập theo mức trọng yếu và chi phí của sai lệch.

Kiểm soát chất lượng và truy xuất nguồn gốc

Kiểm soát chất lượng gồm 4 lớp: cú pháp, miền giá trị, logic nội tại và đối chiếu chéo. Hệ thống có thể kiểm tra định dạng mã số thuế, miền hợp lệ của ngày, quan hệ giữa ngày hiệu lực và ngày kết thúc hoặc sự phù hợp giữa tổng tiền và các thành phần cấu thành. Mỗi phép chuẩn hóa phải giữ lại giá trị gốc; nếu tài liệu không đủ căn cứ, hệ thống cần chuyển sang kiểm duyệt thay vì tự suy diễn.

Chuỗi truy xuất nguồn gốc có thể tổ chức theo trình tự: mã tài liệu → mã trang → vị trí nguồn → trường dữ liệu trích xuất → bước biến đổi → bước xác thực → bản ghi cuối cùng. Nhờ đó, dữ liệu đã cấu trúc vẫn có thể truy ngược về vùng tài liệu nguồn, phục vụ kiểm toán, giải trình và tái xử lý.

Minh họa với hóa đơn

Minh họa với hóa đơn nhà cung cấp dạng PDF quét: OCR tạo lớp văn bản gắn tọa độ; phân tích bố cục xác định vùng bên bán, bên mua và bảng hàng hóa; mô hình trích xuất tạo giá trị ứng viên cho số hóa đơn, ngày lập, mã số thuế và các khoản tiền. Sau chuẩn hóa, hệ thống kiểm tra trường bắt buộc và quan hệ giữa các giá trị. Trường đạt yêu cầu được ánh xạ vào lược đồ kế toán; trường mâu thuẫn được chuyển cho người kiểm tra cùng vùng ảnh nguồn. Bản ghi cuối cùng được lưu kèm thông tin truy xuất nguồn gốc. Đây là minh họa cơ chế, không phải kết quả thực nghiệm.

KHUNG ĐÁNH GIÁ VÀ HÀM Ý ỨNG DỤNG

Bộ chỉ số đánh giá

Nghiên cứu đề xuất 8 chỉ số thuộc 4 nhóm nhằm đánh giá đồng thời hiệu quả kỹ thuật và khả năng vận hành. Độ chính xác, độ thu hồi và chỉ số F1 phản ánh hiệu quả trích xuất; tỷ lệ bản ghi hợp lệ và tính nhất quán phản ánh chất lượng dữ liệu; tỷ lệ bao phủ truy xuất nguồn gốc phản ánh mức độ bảo toàn liên kết với nguồn; thời gian xử lý và tỷ lệ cần người kiểm duyệt phản ánh thời gian vận hành và khối lượng công việc kiểm duyệt thủ công (Bảng 2).

Bảng 2: Bộ 8 chỉ số đánh giá theo 4 nhóm

Nguồn: Đề xuất của nhóm tác giả trên cơ sở tổng quan

Thiết kế đánh giá thực nghiệm đề xuất

Đánh giá định lượng cần 1 tập dữ liệu chuẩn (dùng làm cơ sở đối chiếu) gồm nhiều loại tài liệu tài chính - kế toán, được gán nhãn bởi người có chuyên môn và lưu vùng nguồn cho từng trường. Trong đó, P là độ chính xác, R là độ thu hồi, TP là số trường trích xuất đúng, FP là số trường trích xuất sai và FN là số trường cần trích xuất nhưng bị bỏ sót. P = TP/(TP + FP); R = TP/(TP + FN); F1 = 2 × P × R/(P + R). Với các trường tiền, ngày hoặc mã định danh, tiêu chí “khớp đúng” phải được quy định trước và áp dụng nhất quán trong toàn bộ tập đánh giá.

Đánh giá đối sánh có thể so sánh 4 cấu hình: nhận dạng ký tự quang học kết hợp quy tắc; nhận dạng ký tự quang học kết hợp xử lý ngôn ngữ tự nhiên (NLP) hoặc mô hình nhận biết bố cục; nhận dạng ký tự quang học kết hợp mô hình ngôn ngữ; và chuỗi xử lý đầy đủ có kiểm tra dữ liệu, truy xuất nguồn gốc và kiểm duyệt của con người. Nếu thực hiện phân tích loại bỏ từng thành phần, chuỗi xử lý đầy đủ cần được dùng làm mốc, sau đó lần lượt loại bỏ từng thành phần để xác định đóng góp biên. Ngoài 8 chỉ số chính, nên theo dõi tỷ lệ lỗi nghiêm trọng, tức lỗi có khả năng làm thay đổi kết quả đối chiếu, phân tích hoặc quyết định.

Hàm ý ứng dụng trong tài chính - kế toán

Trong kế toán tài chính, dữ liệu từ hóa đơn và chứng từ có thể hỗ trợ nhập liệu, đối chiếu và lập báo cáo. Trong kế toán quản trị, dữ liệu từ hợp đồng, phụ lục và báo cáo nội bộ có thể kết nối với dữ liệu giao dịch để theo dõi chi phí và nghĩa vụ. Trong kiểm toán, truy xuất nguồn gốc giúp đi từ trường dữ liệu trở lại bằng chứng; trong quản trị tài chính, các trường về giá trị, thời hạn và trạng thái thanh toán có thể làm đầu vào cho theo dõi nghĩa vụ và cảnh báo.

Giá trị của khung không nằm ở việc thay thế toàn bộ quy trình kế toán hoặc kiểm toán bằng tự động hóa, mà ở việc tạo một tầng dữ liệu trung gian có kiểm soát giữa kho tài liệu và công cụ phân tích. Dữ liệu chỉ nên được đưa vào phân tích khi có thể xác định nguồn, trạng thái chất lượng và, đối với các trường hợp cần thiết, trạng thái kiểm duyệt của người có chuyên môn.

Thảo luận và khuyến nghị triển khai

Khung đề xuất mở rộng logic của các quy trình xử lý tài liệu bằng AI theo hướng quản trị dữ liệu. Trong khi các mô hình như LayoutLM, Donut hay DocLLM tập trung chủ yếu vào nhận dạng và hiểu tài liệu, khung này bổ sung 3 yêu cầu xuyên suốt: lược đồ đích được xác định trước, bằng chứng nguồn được bảo toàn và các trường rủi ro được chuyển kiểm duyệt. Cách tiếp cận này phù hợp với quan niệm chất lượng dữ liệu đa chiều, mô hình truy xuất nguồn gốc dữ liệu và quản trị rủi ro AI (Batini và Scannapieco, 2016; Tabassi, 2023; W3C, 2013). Về kiến trúc, có thể tách 4 lớp: tài liệu gốc bất biến; dữ liệu trích xuất; dữ liệu đã chuẩn hóa và kiểm tra; và dữ liệu phục vụ phân tích. Cách tách này giúp bảo toàn bằng chứng và hỗ trợ tái xử lý khi công nghệ thay đổi.

Đối với mỗi loại tài liệu, tổ chức cần xây dựng bộ quy tắc dữ liệu quy định trường bắt buộc, kiểu dữ liệu, cách chuẩn hóa, ngưỡng chấp nhận và xử lý ngoại lệ. Nhật ký xử lý cần lưu phiên bản mô hình hoặc quy tắc, thời điểm xử lý và hành động kiểm duyệt. Việc triển khai nên bắt đầu từ nhóm tài liệu có cấu trúc tương đối ổn định, xây dựng tập chuẩn và đo hiệu năng theo từng trường trước khi mở rộng. Ngưỡng tự động chấp nhận cần gắn với mức trọng yếu và chi phí của sai lệch.

Hạn chế chính của nghiên cứu là chưa có đánh giá đối sánh trên bộ dữ liệu tài chính - kế toán tiếng Việt quy mô lớn. Hiệu quả của khung còn phụ thuộc vào loại tài liệu, chất lượng ảnh, ngôn ngữ và yêu cầu nghiệp vụ. Vì vậy, kết quả trình bày là cơ sở cho thiết kế triển khai và thực nghiệm, chưa phải bằng chứng về hiệu năng của một hệ thống cụ thể. Nghiên cứu tiếp theo cần xây dựng bộ dữ liệu chuẩn tiếng Việt, phát triển hệ thống phân loại lỗi và đánh giá mức độ mà lỗi trích xuất có thể ảnh hưởng đến đối chiếu, phân tích hoặc quyết định.

KẾT LUẬN

Chuyển đổi tài liệu tài chính - kế toán phi cấu trúc thành dữ liệu có cấu trúc không chỉ là bài toán nhận dạng văn bản. Nghiên cứu đề xuất khung 8 giai đoạn dựa trên thiết kế lược đồ trước, truy xuất nguồn gốc và kiểm duyệt của con người, cùng 8 chỉ số thuộc 4 nhóm để định hướng đánh giá. Cách tiếp cận này chuyển trọng tâm từ “trích xuất thông tin” sang “tạo dữ liệu có thể sử dụng và kiểm chứng”. Khung chưa nhằm chứng minh hiệu năng của 1 hệ thống cụ thể; giá trị thực nghiệm cần tiếp tục được kiểm chứng trên bộ dữ liệu tài chính - kế toán tiếng Việt và trong các bối cảnh nghiệp vụ cụ thể.

Tài liệu tham khảo:

1. Batini, C., & Scannapieco, M. (2016). Data and information quality: Dimensions, principles and techniques. Springer. https://doi.org/10.1007/978-3-319-24106-7

2. Huang, Y., Lv, T., Cui, L., Lu, Y., & Wei, F. (2022). LayoutLMv3: Pre-training for Document AI with unified text and image masking. In Proceedings of the 30th ACM International Conference on Multimedia (pp. 4083-4091). Association for Computing Machinery. https://doi.org/10.1145/3503161.3548112

3. International Organization for Standardization & International Electrotechnical Commission - ISO/IEC (2008). ISO/IEC 25012:2008 Software engineering-Software product Quality Requirements and Evaluation (SQuaRE)-Data quality model. International Organization for Standardization. https://www.iso.org/standard/35736.html

4. Kim, G., Hong, T., Yim, M., Nam, J. Y., Park, J., Yim, J., Hwang, W., Yun, S., Han, D., & Park, S. (2022). OCR-free document understanding transformer. In S. Avidan, G. Brostow, M. Cissé, G. M. Farinella, & T. Hassner (Eds.), Computer vision - ECCV 2022: 17th European Conference, proceedings, Part XXVIII (pp. 498-517). Springer. https://doi.org/10.1007/978-3-031-19815-1_29

5. Kimball, R., & Caserta, J. (2004). The data warehouse ETL toolkit: Practical techniques for extracting, cleaning, conforming, and delivering data. Wiley.

6. Lewis, P., Perez, E., Piktus, A., Petroni, F., Karpukhin, V., Goyal, N., Küttler, H., Lewis, M., Yih, W.-T., Rocktäschel, T., Riedel, S., & Kiela, D. (2020). Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems, 33, 9459-9474. https://proceedings.neurips.cc/paper/2020/hash/6b493230205f780e1bc26945df7481e5-Abstract.html

7. Sculley, D., Holt, G., Golovin, D., Davydov, E., Phillips, T., Ebner, D., Chaudhary, V., Young, M., Crespo, J.-F., & Dennison, D. (2015). Hidden technical debt in machine learning systems. Advances in Neural Information Processing Systems, 28, 2503-2511. https://proceedings.neurips.cc/paper/2015/hash/86df7dcfd896fcaf2674f757a2463eba-Abstract.html

8. Shneiderman, B. (2020). Human-centered artificial intelligence: Reliable, safe & trustworthy. International Journal of Human-Computer Interaction, 36(6), 495-504. https://doi.org/10.1080/10447318.2020.1741118

9. Smith, R. (2007). An overview of the Tesseract OCR engine. In Proceedings of the Ninth International Conference on Document Analysis and Recognition (ICDAR 2007) (pp. 629-633). IEEE Computer Society. https://doi.org/10.1109/ICDAR.2007.4376991

10. Tabassi, E. (2023). Artificial intelligence risk management framework (AI RMF 1.0) (NIST AI 100-1). National Institute of Standards and Technology. https://doi.org/10.6028/NIST.AI.100-1

11. Thủ tướng Chính phủ (2020). Quyết định số 749/QĐ-TTg ngày 03/6/2020 phê duyệt “Chương trình Chuyển đổi số quốc gia đến năm 2025, định hướng đến năm 2030”.

12. Thủ tướng Chính phủ (2022). Quyết định số 633/QĐ-TTg ngày 23/5/2022 về việc phê duyệt Chiến lược kế toán - kiểm toán đến năm 2030.

13. Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., & Polosukhin, I. (2017). Attention is all you need. Advances in Neural Information Processing Systems, 30, 5998-6008. https://proceedings.neurips.cc/paper/7181-attention-is-all-you-need

14. Wang, D., Raman, N., Sibue, M., Ma, Z., Babkin, P., Kaur, S., Pei, Y., Nourbakhsh, A., & Liu, X. (2024). DocLLM: A layout-aware generative language model for multimodal document understanding. In Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers) (pp. 8529-8548). Association for Computational Linguistics. https://doi.org/10.18653/v1/2024.acl-long.463

15. World Wide Web Consortium - W3C (2013). PROV-DM: The PROV data model (W3C Recommendation). https://www.w3.org/TR/2013/REC-prov-dm-20130430/

16. Xu, Y., Li, M., Cui, L., Huang, S., Wei, F., & Zhou, M. (2020). LayoutLM: Pre-training of text and layout for document image understanding. In Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 1192-1200). Association for Computing Machinery. https://doi.org/10.1145/3394486.3403172