Lựa chọn kiến trúc triển khai OCR phiếu giao nhận: Ba thế hệ tiến hóa và triết lý phân luồng người - máy

Quy trình sản xuất của ngành in phụ thuộc rất nặng vào sự lưu chuyển của các chứng từ giấy. Từ lệnh sản xuất do kinh doanh lập, phiếu giao nhận phía xưởng (biên bản ký nhận, phiếu xuất hàng, phiếu xác nhận công đoạn gửi về từ xưởng), cho đến chứng từ ký nhận của đơn vị vận chuyển, các loại giấy tờ này mang theo những thông tin tối quan trọng như quy cách đơn hàng, số lượng, tiến độ giao hàng và phân định trách nhiệm. Khi xưởng in tìm cách số hóa khâu điều phối lịch trình, công suất và kế toán, nhận dạng phiếu giao nhận thường là cửa ải đầu tiên và cũng là nơi dễ gãy nhất. Trở ngại không nằm ở việc 'đọc ra chữ', mà ở chỗ bố cục các loại chứng từ này không cố định, mỗi nhà cung cấp một định dạng, ghi chú viết tay cùng vết gạch xóa xuất hiện dày đặc, chưa kể chất lượng ảnh chụp scan tại hiện trường rất trồi sụt [1]

Sự hoàn thiện của AI tạo sinh và các mô hình đa phương thức những năm gần đây khiến luận điểm 'bài toán OCR đã được giải quyết triệt để' trở thành một ngộ nhận phổ biến. Tuy nhiên, việc áp thẳng Vision Language Model (VLM) vào môi trường sản xuất thực tế hoàn toàn khác với việc đạt điểm cao trên các bộ dữ liệu sạch. Một nghiên cứu xây dựng bộ dữ liệu chụp hóa đơn từ thiết bị di động tại Nhật Bản đã chỉ ra rằng, ngay cả khi được tinh chỉnh chuyên sâu cho tác vụ trích xuất dữ liệu hóa đơn có cấu trúc, hiệu năng của mô hình vẫn phụ thuộc lớn vào tính đại diện và độ đa dạng bố cục của bộ dữ liệu [2]. Nói cách khác, những con số trên benchmark không thể áp đặt nguyên xi cho mẫu chứng từ của một xưởng in bất kỳ

Bài viết này đặt ra ba câu hỏi nghiên cứu:

・Thứ nhất, công nghệ nhận dạng phiếu giao nhận đã trải qua những thế hệ tiến hóa nào, và ranh giới ứng dụng của từng thế hệ nằm ở đâu

・Thứ hai, vì sao 'mô hình mới nhất' chưa chắc đã là 'phương án đáng chọn nhất', và yếu tố mang tính quyết định đằng sau việc lựa chọn công nghệ là gì

・Thứ ba, đối với các xưởng in vừa và nhỏ tại Đài Loan vốn hạn chế về nguồn lực, để triển khai thành công một hệ thống nhận dạng phiếu giao nhận thực tế, cần tuân theo những nguyên tắc kiến trúc và logic phân luồng nào. Bài viết lấy nhật ký triển khai OCR phiếu giao nhận của một kỹ sư Đài Loan làm ca nghiên cứu sơ cấp [1], kết hợp với tài liệu học thuật về OCR chứng từ và quản trị ứng dụng AI để tổng hợp và phản biện

Đóng góp của bài viết nằm ở chỗ: không nhìn nhận bài toán phiếu giao nhận như một bài toán chọn mô hình thuần túy, mà tái cấu trúc nó thành bài toán kỹ thuật hệ thống với sự hiệp đồng của ba tầng 'nhận dạng, cấu trúc hóa, kiểm duyệt', đồng thời đề xuất nguyên tắc phân luồng có tính thực thi cao. Đối với các xưởng in đang cân nhắc số hóa quy trình lệnh sản xuất, bài viết đem lại một góc nhìn triển khai thực địa bản địa hiếm có

Các thảo luận hiện nay về nhận dạng tài liệu có thể chia thành ba nhóm quan điểm chính dựa trên mối quan tâm cốt lõi, giữa các nhóm này tồn tại độ vênh lập trường khá rõ rệt

Nhóm thứ nhất là quan điểm lấy năng lực mô hình làm trung tâm. Hướng tiếp cận này tập trung vào việc làm sao để một mô hình đơn lẻ đạt điểm cao hơn trên các tác vụ trích xuất chứng từ. Nghiên cứu về hóa đơn di động tại Nhật Bản nêu trên là một ví dụ tiêu biểu, nhóm tác giả đã xây dựng bộ dữ liệu gán nhãn quy mô khoảng 1,3K mẫu, đồng thời tinh chỉnh VLM để xuất ra các trường hóa đơn có cấu trúc, từ đó chứng minh rằng 'chất lượng dữ liệu kết hợp tinh chỉnh trúng đích' có thể nâng cao đáng kể độ chính xác của khâu trích xuất [2][4]. Giá trị của dạng nghiên cứu này là cung cấp phương pháp luận và chuẩn đo lường định lượng có thể tái lập, nhưng tiền đề ngầm định của nó là 'phân phối dữ liệu tương đối đồng nhất'. Một khi va phải phân phối đuôi dài đặc thù của xưởng in—nơi mỗi đối tác một định dạng và liên tục phát sinh mẫu mới—thì cả chi phí duy trì lẫn khả năng tổng quát hóa của một mô hình tinh chỉnh đơn lẻ đều sẽ gặp thách thức lớn

Nhóm thứ hai là quan điểm thực hành kỹ thuật và công cụ. Với sự phổ biến của AI coding agent, lập trình viên có thể kết nối OCR, LLM và logic backend với chi phí thấp hơn nhiều. Các tài liệu thực hành liên quan đã ghi nhận mô hình phối hợp và giới hạn của AI coding agent trong môi trường phát triển thực tế, chỉ ra rằng chúng giúp tăng tốc tạo mã nguồn mẫu và kết nối công cụ, nhưng ở các điểm phán đoán đòi hỏi tri thức chuyên ngành sâu thì vẫn bắt buộc phải có con người can thiệp [5]. Ngoài ra còn có các gói công cụ tích hợp AI coding agent vào môi trường phân tích cụ thể (như RStudio), cho thấy việc 'dùng agent hỗ trợ đường ống xử lý dữ liệu' đã trở thành một mô thức kỹ thuật hoàn toàn khả thi [3]. Nhóm này chuyển trọng tâm từ 'mô hình mạnh đến đâu' sang 'lắp ráp hệ thống thế nào', đóng vai trò bổ trợ chứ không triệt tiêu nhóm thứ nhất

Nhóm thứ ba là quan điểm quản trị ứng dụng AI. Hướng đi này vượt thoát khỏi chi tiết kỹ thuật thuần túy để bàn về cách tổ chức 'quản trị AI một cách khôn ngoan'. Các nghiên cứu nhấn mạnh rằng thành bại của hệ thống AI không chỉ phụ thuộc vào độ chính xác thuật toán, mà còn nằm ở sự phân chia trách nhiệm giữa con người và hệ thống, cũng như cách xử lý sự bất định mang tính thể chế [6]. Quan điểm này đặc biệt then chốt với bài toán nhận dạng phiếu giao nhận: khi mô hình không thể đọc chắc chắn một bức ảnh chụp mờ nhòe, người thiết kế hệ thống phải quy định trước 'tình huống này giao cho ai xử lý và dùng quy trình nào đỡ đáy', thay vì viển vông mong đợi mô hình đạt độ chính xác 100% không tưởng

Tổng hợp cả ba nhóm có thể thấy rõ một xu hướng dịch chuyển trong các thảo luận: giai đoạn đầu nghiêng hẳn về năng lực mô hình, giả định cứ mô hình đủ mạnh là bài toán được giải quyết; giai đoạn gần đây chuyển dần sang trọng tâm hệ thống và quản trị, thừa nhận mô hình luôn có trần giới hạn, và yếu tố thực sự quyết định việc triển khai thành bại là khâu tiền - hậu xử lý, cơ chế phân luồng cùng thiết kế kiểm duyệt con người. Dẫu vậy, phần lớn tài liệu hiện có vẫn co cụm trong từng nhóm riêng lẻ: nghiên cứu mô hình ít bàn về các trường hợp đuôi dài và phương án đỡ đáy trong môi trường sản xuất; thực hành kỹ thuật ít chạm tới các ranh giới độ chính xác định lượng; còn nghiên cứu quản trị lại quá trừu tượng, thiếu chi tiết kỹ thuật thực địa. Bài viết phân tích và cho rằng, điểm giao thoa giữa ba mảng này chính là khoảng trống nghiên cứu trong bài toán triển khai OCR phiếu giao nhận, và một bản ghi chép triển khai thực tế trọn vẹn tại bản địa sẽ lấp đầy khoảng trống đó [1]

Sự tiến hóa kỹ thuật của nhận dạng phiếu giao nhận có thể chia thành ba thế hệ. Điều cốt lõi là cần hiểu đây không phải cuộc đua tuyến tính 'ai thay thế ai', mà là một bức tranh nơi cả ba thế hệ cùng tồn tại song song, tùy thuộc vào bài toán cụ thể và yêu cầu an toàn thông tin [1]

Thế hệ thứ nhất là hướng đi OCR kết hợp biểu thức chính quy (Regex). Cách làm là trước tiên dùng công cụ OCR truyền thống (như Tesseract, Google Document AI) để chuyển ảnh thành văn bản thô, sau đó dùng Regex viết bằng Python để bóc tách từng trường: mã đơn nằm ở đâu, định dạng ngày tháng thế nào, địa chỉ khớp với quy tắc nào [1]. Ưu điểm của hướng này rất rõ: chi phí rẻ, chạy offline được, tốc độ cao, cực kỳ ổn định, dễ đoán định và dễ debug khi định dạng cố định, hoàn toàn không cần LLM nên không tốn chi phí token [1]. Tuy nhiên điểm yếu cũng rất chí mạng: đổi định dạng là gãy, cứ thêm một mẫu phiếu là phải viết lại cả bộ regex; OCR chỉ cần nhận diện sai hay sót một ký tự là cả chuỗi regex trượt khớp; càng nhiều khách hàng, định dạng càng phức tạp thì regex càng phình to và mong manh, biến thành cơn ác mộng bảo trì. Bài viết nhận định hạn chế gốc rễ của thế hệ thứ nhất là hoàn toàn không hiểu ngữ nghĩa, chỉ biết so khớp chuỗi cơ học, do đó bất lực trước sự đa dạng định dạng ở phần đuôi dài của ngành in

Thế hệ thứ hai là hướng đi OCR kết hợp Text LLM. Vẫn dùng OCR để biến ảnh thành chữ trước, nhưng không còn dùng regex cứng nhắc, mà chuyển toàn bộ văn bản đầu ra của OCR cho Text LLM để mô hình tự hiểu ngữ nghĩa, trích xuất trường thông tin và bù đắp các chỗ thiếu [1]. Theo nhật ký triển khai thực tế, cách này vừa đưa vào là độ chính xác nhảy vọt ngay, nhờ bốn lý do: định dạng đổi không cần viết lại regex vì LLM tự hiểu nghĩa; dựa vào ngữ cảnh để bù lại các chữ bị OCR đọc sót; nhận biết được các trường đồng nghĩa hoặc tên gọi khác nhau (dù ghi 'mã đơn' hay 'mã vận đơn' đều hiểu); phát triển nhanh, chi phí bảo trì giảm mạnh [1]. Quan trọng hơn cả, cả OCR lẫn Text LLM đều có giải pháp on-premise (chạy nội bộ) rất chín muồi, dữ liệu không cần lọt ra khỏi công ty, mang lại lợi thế quyết định đối với các chứng từ chứa thông tin cá nhân và dữ liệu nhạy cảm [1]. Điểm này hoàn toàn khớp với luận điểm 'chủ quyền dữ liệu và ranh giới trách nhiệm' được nhấn mạnh trong y văn quản trị ứng dụng AI [6]

Dù vậy, trần hiệu năng của thế hệ thứ hai bị khóa chặt bởi tầng OCR phía trước. Nếu OCR đọc sai ngay từ đầu, LLM nhận vào văn bản rác và sẽ cho ra kết quả rác ('garbage in, garbage out'); quá trình OCR làm mất sạch bố cục hình ảnh và màu sắc, màu bút đỏ xanh, cấu trúc bảng biểu, nét gạch tay đều biến mất, LLM hoàn toàn mù tịt; những nội dung mang tính 'phải nhìn hình mới hiểu' như chữ viết tay, chữ ký, vết gạch xóa đều bị méo mó khi chuyển thành chữ [1]. Bài viết đánh giá giá trị và giới hạn của thế hệ thứ hai thực chất là hai mặt của một đồng xu: nó giải quyết triệt để nỗi đau regex và chạy được hoàn toàn on-premise, nhưng cái giá phải trả là giới hạn trên của toàn bộ đường ống bị ghì chặt bởi chất lượng của lớp OCR ban đầu

Thế hệ thứ ba là Vision LLM phán đoán trực tiếp. Cách tiếp cận mới nhất là bỏ qua bước OCR trung gian, nạp thẳng ảnh chụp phiếu giao nhận vào mô hình đa phương thức (như GPT-4o, Claude) để mô hình vừa nhìn ảnh vừa hiểu ngữ nghĩa, xuất thẳng ra các trường có cấu trúc chỉ trong một bước [1]. Giá trị của nó là gỡ bỏ hầu hết các điểm nghẽn của hai thế hệ trước: đọc hiểu được bố cục, bảng biểu, màu sắc và nét vẽ tay; đọc được chữ viết tay, vết gạch sửa, ô đánh dấu, chữ ký và màu mực; dùng logic cùng ngữ cảnh để phân biệt các ký tự gần giống nhau (như số 1 và chữ l, chữ O và số 0) để tự bù nghĩa; không cần mẫu cố định, không cần regex, đổi định dạng vẫn xử lý mượt mà [1]. Điều này hoàn toàn đồng điệu với kết luận của nghiên cứu tinh chỉnh VLM cho dữ liệu hóa đơn có cấu trúc, vốn cũng khẳng định mô hình đa phương thức vượt trội khi xử lý hóa đơn thực tế có bố cục phức tạp [2]

Thế nhưng, cái giá của thế hệ thứ ba lại nằm ở khía cạnh khác: tốc độ suy luận chậm, đầu vào là hình ảnh khiến tải tính toán nặng, chậm hơn đáng kể so với luồng thuần văn bản; chi phí vision token rất đắt, khi lượng chứng từ lớn sẽ thấy áp lực chi phí rõ rệt; các mô hình vision mạnh hiện chủ yếu nằm trên cloud, việc chạy hoàn toàn on-premise để giữ dữ liệu nội bộ hiện vẫn rất gian nan, và đây chính là lý do thế hệ thứ hai vẫn giữ nguyên giá trị; hơn nữa nó vẫn không thể đạt 100%, những bức ảnh ẩm ướt rách nát hoặc chụp ẩu mất góc vốn dĩ không thu nạp đủ thông tin thì mô hình trời cũng không cứu nổi [1]. Bài viết nhận định giới hạn của thế hệ thứ ba là minh chứng sống động cho luận điểm cốt lõi của nghiên cứu quản trị: tính bất định của mô hình là điều tất yếu về mặt cấu trúc, bắt buộc phải dùng thể chế và quy trình để triệt tiêu rủi ro, thay vì kỳ vọng mô hình tự nó trở nên hoàn hảo [6]

Từ ba thế hệ tiến hóa mang tính khái niệm quy chiếu về các công cụ cụ thể, chúng ta thấy một tam giác đánh đổi rất rõ: chi phí, năng lực on-premise và độ chính xác nhận dạng rất khó toàn vẹn cả ba, bản chất của việc chọn công cụ là sắp xếp mức độ ưu tiên giữa ba chiều này dựa trên bài toán thực tế

Ở tầng công cụ OCR truyền thống (tầng đầu của thế hệ 1 và 2), thực tế triển khai ghi nhận ba phương án từng được áp dụng [1]. Tesseract là công cụ nguồn mở lâu đời nhất, thuần on-premise, miễn phí, hỗ trợ nhiều gói ngôn ngữ, ưu điểm là ổn định, chạy offline, cộng đồng đông đảo, nhưng khá chật vật với tiếng Trung/chữ tượng hình, chữ viết tay và bố cục phức tạp, ảnh chụp thực địa bị nghiêng lệch mờ nhạt sẽ khiến tỷ lệ nhận dạng tụt dốc rõ rệt, chỉ phù hợp làm baseline cho các kịch bản định dạng sạch và chủ yếu là chữ in [1]. PaddleOCR do Baidu phát triển nguồn mở, cài đặt được on-premise (hỗ trợ nhiều backend phần cứng như NVIDIA GPU, Intel CPU), hỗ trợ hơn 100 ngôn ngữ, giá trị lớn nhất là xử lý cực mạnh chữ tượng hình và bảng biểu, vượt trội so với Tesseract ở bài toán phiếu giao nhận lẫn lộn bảng biểu và chữ phồn thể, đồng thời đã mở rộng toàn bộ đường ống thành 'chuyển PDF hoặc ảnh sang JSON hoặc Markdown có cấu trúc', bao gồm cả phân tích bố cục; nếu muốn chạy thuần on-premise lại xử lý chứng từ tiếng Trung thì PaddleOCR gần như là lựa chọn baseline hàng đầu [1]. Google Cloud Vision hoặc Document AI có độ chính xác cao, phân tích bố cục chín muồi, API dễ tích hợp, cân tốt cả chữ viết tay và biểu mẫu phức tạp, trải nghiệm lập trình xuất sắc, nhưng điểm nghẽn chí mạng là dịch vụ đám mây, dữ liệu bắt buộc phải đẩy ra ngoài, xung đột trực diện với yêu cầu 'chứng từ nhạy cảm phải giữ nội bộ' [1]

Ở tầng Vision LLM có thể chạy on-premise (thế hệ thứ 3), cộng đồng nguồn mở đang bắt kịp rất nhanh với nhiều mô hình giai đoạn 2025 - 2026 đáng chú ý [1]. Qwen2.5-VL (Alibaba) quy mô từ 7B đến 72B tham số, DocVQA đạt 95,7 điểm, năng lực phân tích tài liệu đa ngôn ngữ, bảng biểu và chữ viết tay rất mạnh, hệ sinh thái hoàn thiện nhất, là ứng viên chủ lực cho chứng từ và tài liệu tổng quát [1]. PaddleOCR-VL (Baidu) phiên bản mới nhất khoảng 0,9B tham số, đạt trên 96% trên OmniDocBench v1.6, điểm benchmark OCR gốc vượt nhiều mô hình lớn hàng đầu, hỗ trợ 109 ngôn ngữ, rất hợp cho kịch bản thuần on-premise đòi hỏi độ chuẩn OCR cao và triển khai siêu nhẹ [1]. dots.ocr (rednote) khoảng 1,7B tham số, hợp

・nhất khâu phát hiện bố cục và nhận dạng nội dung làm một, hỗ trợ trên 100 ngôn ngữ, đã được tích hợp chính thức vào vLLM, thuộc nhóm SOTA trong các mô hình nhỏ [1]. MiniCPM-V 2.6 khoảng 8B tham số, dung lượng khoảng 5,5GB, dễ dàng nhét vào một card đồ họa đơn thậm chí thiết bị biên, năng lực OCR thuộc top đầu, phù hợp với nơi hạn chế tài nguyên cần dựng máy nhỏ on-premise [1]. olmOCR 2 (AllenAI) khoảng 7B tham số, huấn luyện bằng RLVR, mã nguồn mở hoàn toàn cả dữ liệu lẫn code [1]

Bài viết phân tích và chỉ ra rằng, hộp công cụ này phản ánh một logic lựa chọn hoàn toàn khác với tư duy lấy năng lực mô hình làm trung tâm: vấn đề không phải là 'mô hình nào điểm cao nhất', mà là 'yếu tố nào trong bài toán của bạn là bất khả thương lượng'. Nếu dữ liệu nhạy cảm tuyệt đối không được ra khỏi công ty thì năng lực on-premise là ràng buộc cứng, lựa chọn lập tức thu hẹp về PaddleOCR kết hợp Text LLM hoặc Vision LLM on-premise; nếu tài liệu dày đặc chữ viết tay và vết gạch xóa mà dữ liệu được phép lên cloud thì độ chính xác là ưu tiên số một, khi đó Vision LLM trên cloud là lựa chọn hợp lý [1]. Nghiên cứu tinh chỉnh VLM nêu trên cũng củng cố nhận định này: dữ liệu và mô hình phải ăn khớp với bài toán thực tế, tách rời ngữ cảnh mà bàn chuyện mô hình nào hơn thua là vô nghĩa [2][4]

Kết luận thực tế hơn là thường phải kết hợp cả hai: phiếu rõ nét cho đi qua quy trình on-premise giá rẻ, phiếu khó mới đẩy sang cho Vision LLM [1]. Sự kết hợp này thực chất là một chiến lược phân luồng chi phí, dành tài nguyên suy luận cao cấp đắt đỏ cho một thiểu số ca khó thực sự cần đến, thay vì cào bằng dùng mô hình nặng nhất cho mọi tờ phiếu

Nhật ký triển khai đã đúc kết mọi bài học xương máu thành một câu khẩu quyết kiến trúc: tối thiểu hóa nhận dạng, tối đa hóa hệ thống, không chắc chắn thì giao cho con người [1]. Bài viết cho rằng câu nói này có thể bóc tách thành nguyên tắc thiết kế hệ thống ba tầng, tạo nên sự đồng vọng về mặt lý thuyết với các tài liệu quản trị

Tầng thứ nhất là chuẩn hóa tiền xử lý. Phần lớn thất bại của nhận dạng phiếu giao nhận không nằm ở mô hình, mà nằm ở dữ liệu đầu vào. Ảnh chụp ẩm ướt, méo mó, chụp ẩu làm mất thông tin thì mô hình mạnh đến đâu cũng không thể biến không thành có [1]. Vì vậy, cửa ngõ kỹ thuật đầu tiên của hệ thống là phải chuẩn hóa đầu vào tối đa trước khi đưa vào nhận dạng: nắn thẳng góc nghiêng, cắt viền, tăng cường độ tương phản, lọc bỏ ảnh không đạt chuẩn chất lượng. Bài viết đánh giá triết lý thiết kế của tầng này là 'chặn đứng sự bất định từ sớm', thay vì để đầu vào rác làm ô nhiễm toàn bộ đường ống, hãy phân loại gạt ra ngay từ cửa vào. Vấn đề đa dạng bố cục mà nghiên cứu hóa đơn di động Nhật Bản nhấn mạnh thực chất cũng là lời nhắc nhở: biến thiên ở đầu vào phải được xử lý có hệ thống chứ không thể phó mặc hết cho mô hình gánh [2]

Tầng thứ hai là trích xuất có cấu trúc bằng LLM. Tầng này hiện thực hóa tinh thần 'tối thiểu hóa nhận dạng': không bắt mô hình phải gánh mọi phán đoán cùng lúc, mà để nó tập trung chuyển đổi nội dung bố cục thành các trường dữ liệu có cấu trúc. Dù đi theo thế hệ thứ 2 với Text LLM hay thế hệ thứ 3 với Vision LLM, mấu chốt vẫn là ánh xạ hình ảnh hoặc văn bản phi cấu trúc vào một schema rõ ràng (mã đơn, tên quy cách, số lượng, ngày giao, trạng thái ký nhận...) [1]. Bài viết phân tích thấy việc schema hóa tác vụ trích xuất đem lại hai lợi ích lớn:

・Thứ nhất, đầu ra có thể được hệ thống phía sau tiêu thụ trực tiếp, giảm thiểu chi phí hậu xử lý

・Thứ hai, schema tạo ra một điểm neo có thể kiểm chứng, giúp hệ thống biết được một trường dữ liệu đã được bóc tách đáng tin cậy hay chưa. AI coding agent ở tầng này đặc biệt phát huy tác dụng tăng tốc phát triển, tự động hóa khâu kết nối và viết code mẫu, giải phóng kỹ sư để họ tập trung thiết kế schema và các quy tắc kiểm thử [5][3]

Tầng thứ ba là cổng kiểm soát thủ công. Đây là chốt chặn then chốt của cả kiến trúc, và là sự thể chế hóa của nguyên tắc 'không chắc chắn thì giao cho con người'. Mô hình khi bóc tách từng trường phải trả về điểm tin cậy hoặc kết quả kiểm chứng; khi độ tin cậy dưới ngưỡng, hoặc giữa các trường xuất hiện mâu thuẫn logic (như số lượng và thành tiền không khớp), hệ thống tuyệt đối không được tự động cho qua mà phải định tuyến phiếu đó về cho con người đối soát [1]. Bài viết đánh giá thiết kế này biến sự bất định mang tính cấu trúc của mô hình thành một quy trình nhân sự có thể kiểm soát, phản ánh đúng tinh thần 'quản trị AI khôn ngoan': hệ thống không giả vờ hoàn hảo, mà thiết kế sẵn phân định trách nhiệm và đường lui đỡ đáy cho những tình huống không chắc chắn [6]

Nhìn tổng thể cả ba tầng, ta có thể phác thảo một kịch bản phân luồng điển hình. Giả sử một xưởng in mỗi ngày tiếp nhận 1.000 phiếu giao nhận, trong đó khoảng 80% là chứng từ in ấn rõ ràng, có thể xử lý tốc độ cao với chi phí cực thấp bằng OCR + Text LLM on-premise; khoảng 15% là phiếu độ khó trung bình có chữ viết tay hoặc gạch xóa, được định tuyến sang Vision LLM; 5% còn lại là phiếu chất lượng quá kém hoặc mâu thuẫn dữ liệu, được đẩy thẳng vào luồng đối soát thủ công [1]. Trong kịch bản ước tính này, Vision LLM trên đám mây đắt đỏ chỉ phải gánh khoảng 15% khối lượng, còn nhân lực chỉ cần tập trung vào số ít ca hóc búa nhất. Bài viết đánh giá sự phân tầng phân luồng này không chỉ tối ưu độ chính xác mà còn tối ưu hóa toàn diện cấu trúc chi phí, giúp chi phí biên tăng theo độ khó chứ không tăng tuyến tính theo tổng lượng chứng từ

Triết lý kiến trúc nêu trên mang lại những hàm ý thực thi rất rõ ràng cho các bên tham gia trong chuỗi giá trị in ấn và thiết kế tại Đài Loan

Đối với các xưởng in vừa và nhỏ, bài học quan trọng nhất là đừng coi nhận dạng phiếu giao nhận là bài toán mua sắm theo kiểu 'mua một mô hình là xong', mà phải coi đây là bài toán quy trình 'xây dựng một hệ thống phân luồng'. Về mặt triển khai cụ thể, khuyến nghị nên lấy PaddleOCR kết hợp Text LLM on-premise làm baseline để tự động hóa trước 80% lượng chứng từ định dạng rõ ràng, phần này hầu như không tốn phí token lại giữ trọn dữ liệu trong nội bộ, giải tỏa nỗi lo rò rỉ dữ liệu đơn hàng nhạy cảm của khách hàng [1]. Trên nền tảng đó, với các phiếu khó nhiều chữ viết tay và gạch xóa mới chọn lọc kết nối Vision LLM trên cloud, đồng thời bắt buộc phải thiết lập ngưỡng tin cậy và cổng kiểm soát thủ công [1]. Bài viết nhận định theo lộ trình cuốn chiếu này, doanh nghiệp có thể chỉ mất vài tuần để đưa baseline vào vận hành giải quyết phần lớn khối lượng, sau đó nâng dần tỷ lệ tự động hóa ca khó, thay vì đâm đầu vào mục tiêu tự động hóa 100% ngay từ đầu

Đối với các nhà thiết kế, việc số hóa phiếu giao nhận và lệnh in đồng nghĩa với việc thông tin quy cách (kích thước, loại giấy, gia công sau in đặc thù) được chuyển dịch chuẩn xác hơn từ bản cứng vào hệ thống số, giảm bớt sai lệch quy cách do con người chép tay. Bài viết đánh giá khi hệ thống nhận dạng trích xuất ổn định các trường dữ liệu có cấu trúc, việc khớp quy cách giữa khâu thiết kế và xưởng in sẽ diễn ra theo thời gian thực, giúp giảm mạnh chi phí trao đổi khi in mẫu (proof) và sửa bản in. Ngoài ra, nếu nhà thiết kế hiểu được hệ thống nhận dạng ưa chuộng 'bố cục rõ ràng', họ có thể chủ động thiết kế biểu mẫu lệnh in với các ô cố định, ưu tiên chữ in sẵn, từ đó giảm độ khó nhận dạng cho hệ thống phía sau

Đối với các chủ thương hiệu, giá trị của việc số hóa phiếu giao nhận nằm ở tính minh bạch của chuỗi cung ứng và khả năng truy xuất trách nhiệm. Khi từng phiếu xuất kho và biên bản giao nhận được ghi nhận có cấu trúc, thương hiệu có thể theo dõi sát sao tiến độ đơn hàng trong chuỗi cung ứng in ấn, đồng thời trích xuất bằng chứng số đáng tin cậy khi có tranh chấp phát sinh. Bài viết nhận định điều này rất khớp với trọng tâm của y văn quản trị AI: giá trị hệ thống không chỉ ở hiệu suất tự động hóa, mà còn ở cách tái phân bổ ranh giới trách nhiệm và niềm tin giữa con người và công nghệ [6]. Khi triển khai, thương hiệu cần đặc biệt lưu tâm xem nhật ký kiểm toán (audit trail) tại cổng kiểm duyệt có đầy đủ hay không, bảo đảm việc tự động hóa không phải trả giá bằng tính giải trình

Điểm chung cho mọi bên tham gia là bài toán cân bằng giữa an toàn thông tin và triển khai on-premise. Ngành in Đài Loan xử lý lượng lớn đơn hàng chứa dữ liệu cá nhân và bí mật kinh doanh (như in hóa đơn sao kê, dữ liệu hội viên, in báo cáo tài chính), khiến yêu cầu 'dữ liệu không rời khỏi công ty' trở thành lằn ranh bất khả xâm phạm. Bài viết đánh giá đây chính là lý do hướng đi OCR kết hợp Text LLM của thế hệ thứ hai đặc biệt quan trọng trong bối cảnh Đài Loan: nó vừa bảo đảm năng lực nhận diện chấp nhận được, vừa giữ vững chủ quyền dữ liệu on-premise—điều mà các giải pháp Vision LLM thuần cloud hiện nay khó lòng bảo đảm [1]

Lấy nhật ký triển khai OCR phiếu giao nhận thực tế tại xưởng in Đài Loan làm ca nghiên cứu cốt lõi, bài viết đã trả lời ba câu hỏi nghiên cứu đặt ra ở phần mở đầu:

・Thứ nhất, nhận dạng phiếu giao nhận đã trải qua ba thế hệ: OCR + Regex, OCR + Text LLM, và Vision LLM phán đoán trực tiếp; ba thế hệ này không triệt tiêu nhau mà cùng tồn tại tùy theo ngữ cảnh sử dụng và yêu cầu an toàn dữ liệu [1]

・Thứ hai, mô hình mới nhất chưa chắc đã là mô hình đáng dùng nhất; yếu tố quyết định lựa chọn là sự cân đối thứ tự ưu tiên giữa chi phí, năng lực on-premise và độ chính xác, chứ không phải điểm số đơn lẻ trên benchmark [1][2]

・Thứ ba, thành bại triển khai phụ thuộc vào sự hiệp đồng của kiến trúc ba tầng 'chuẩn hóa tiền xử lý, trích xuất cấu trúc bằng LLM, cổng kiểm soát thủ công' cùng nguyên tắc phân luồng 'tối thiểu hóa nhận dạng, tối đa hóa hệ thống, không chắc chắn thì giao cho con người' [1]. Luận điểm trung tâm của bài viết là: nhận dạng phiếu giao nhận cần chuyển từ tư duy lấy mô hình làm trung tâm sang tư duy lấy hệ thống và quản trị làm trung tâm [6]

Nghiên cứu này tồn tại một số giới hạn cần được nhìn nhận thẳng thắn. Trước hết, ca nghiên cứu cốt lõi là ghi chép sơ cấp từ một kỹ sư đơn lẻ, dù bối cảnh (phiếu giao nhận xưởng in Đài Loan) có tính đại diện cao, nhưng các số liệu benchmark (như DocVQA: 95,7, OmniDocBench trên 96%) là dẫn lại từ công bố của nhà phát triển mô hình, chưa được tái lập độc lập trong bài toán mục tiêu của bài viết, do đó cần thận trọng khi suy rộng [1]. Thứ hai, tài liệu OCR chứng từ được trích dẫn lấy đối tượng là hóa đơn di động Nhật Bản, vốn có sự khác biệt về ngôn ngữ và bố cục so với phiếu giao nhận chữ phồn thể tại xưởng in, khả năng chuyển giao kết luận cần được kiểm chứng thêm [2][4]

・Thứ ba, kịch bản 'phân luồng 1.000 phiếu' nêu trên là ước tính của bài viết dựa trên nguyên tắc của bản ghi chép thực tế, tỷ lệ mang tính minh họa, phân phối thực tế sẽ khác nhau tùy từng xưởng và chưa qua đo lường thực nghiệm

Ba hướng nghiên cứu tiếp theo bao gồm:

・Thứ nhất, xây dựng bộ dữ liệu gán nhãn cho chứng từ ngành in chữ Hán phồn thể để thay thế suy rộng bằng benchmark bản địa hóa, có thể tham chiếu phương pháp luận từ nghiên cứu dữ liệu hóa đơn Nhật Bản [2]

・Thứ hai, đánh giá định lượng hiệu quả chi phí của kiến trúc ba tầng trong môi trường sản xuất thực tế, đặc biệt là việc thiết lập ngưỡng tối ưu cho cổng kiểm soát thủ công

・Thứ ba, cụ thể hóa khung quản trị ứng dụng AI thành các chuẩn mực phân định trách nhiệm và kiểm toán khả thi cho ngành in, nối liền khoảng trống giữa triển khai kỹ thuật và quản trị tổ chức [6][5]

Ba thế hệ công nghệ nhận dạng phiếu giao nhận (OCR+Regex, OCR+Text LLM, Vision LLM) không thay thế nhau mà cùng tồn tại song song tùy thuộc vào ngữ cảnh và yêu cầu an toàn thông tin

Yếu tố quyết định chọn giải pháp là thứ tự ưu tiên giữa chi phí, năng lực on-premise và độ chính xác, chứ không phải điểm số benchmark; mô hình mới nhất chưa hẳn là phương án đáng chọn nhất

Triển khai thành bại nằm ở sự hiệp đồng của kiến trúc ba tầng 'chuẩn hóa tiền xử lý, trích xuất cấu trúc, cổng kiểm soát thủ công', chứ không phụ thuộc vào độ mạnh yếu của một mô hình đơn lẻ

'Tối thiểu hóa nhận dạng, tối đa hóa hệ thống, không chắc chắn thì giao cho con người' là triết lý cốt lõi giúp biến sự bất định mang tính cấu trúc của mô hình thành quy trình có thể quản trị

Với các chứng từ nhạy cảm tại Đài Loan, hướng đi OCR+Text LLM on-premise giữ vai trò đặc biệt quan trọng nhờ bảo vệ chủ quyền dữ liệu, các ca khó mới được chọn lọc đẩy sang Vision LLM

Đối với sản xuất ngành in, đòn bẩy thực sự của OCR phiếu giao nhận không nằm ở mô hình mà ở thiết kế hệ thống: dùng quy trình on-premise chi phí thấp để tiêu hóa 80% chứng từ chuẩn tắc, sau đó dùng Vision LLM trên đám mây và đối soát thủ công để xử lý phần đuôi dài các ca khó, giúp chi phí biên tăng theo độ khó chứ không tăng theo tổng sản lượng. Với khâu thiết kế, điều này gợi mở rằng biểu mẫu lệnh sản xuất nên được thiết kế với các ô cố định, ưu tiên chữ in sẵn để chủ động giảm độ khó nhận dạng. Với các đơn vị cung cấp SaaS và triển khai AI, cơ hội nằm ở việc đóng gói 'kiến trúc ba tầng + bộ máy phân luồng + nhật ký kiểm toán' thành sản phẩm hoàn chỉnh cho ngành in ứng dụng ngay, thay vì chỉ bán API mô hình đơn thuần. Ba bài toán còn bỏ ngỏ gồm: thiếu benchmark bản địa hóa cho chứng từ in ấn phồn thể, thiếu thực nghiệm xác định ngưỡng tối ưu cho kiểm duyệt thủ công, và làm thế nào dung hòa giữa tự động hóa với tính giải trình ở tầng quản trị

[1] Nhật ký triển khai OCR phiếu giao nhận xưởng in: Những cái bẫy không tránh là công cốc, công khai toàn bộ triết lý kiến trúc đúc kết

[2] Nathan S. (2025). Japanese-Mobile-Receipt-OCR-1.3K: A Comprehensive Dataset Analysis and Fine-tuned Vision-Language Model for Structured Receipt Data Extraction. DOI: 10.36227/techrxiv.175616889.90325672/v1

[3] Rodriguez J. (2025). myownrobs: AI Coding Agent for 'RStudio'. CRAN: Contributed Packages. DOI: 10.32614/cran.package.myownrobs

[4] Nathan S. (2025). Japanese-Mobile-Receipt-OCR-1.3K: A Comprehensive Dataset Analysis and Fine-tuned Vision-Language Model for Structured Receipt Data Extraction. DOI: 10.21203/rs.3.rs-7357197/v1

[5] Wienholt N. (2025). Using an AI Coding Agent. GitHub Copilot and AI Coding Tools in Practice. DOI: 10.1007/979-8-8688-1784-7_2

[6] Waardenburg L., Huysman M., Agterberg M. (2021). Introduction to managing AI wisely. Managing AI Wisely. DOI: 10.4337/9781800887671.00010