貨運文件自動化實作:提單、報關、POD 用 AI 從人工 key-in 到自動擷取

上週三凌晨兩點,我還在一家承攬業者的辦公室。三個 key-in 人員輪班,把當天到港的提單一張一張敲進系統。一張提單四十幾個欄位,櫃號、封條號、件數、毛重、材積、收發貨人、港口代碼,錯一個字,清關就卡住,櫃子在碼頭多躺一天就是幾千塊的滯箱費。他們的錯誤率大概 3%,聽起來不高。但一天八百票,那就是二十幾票要重工。

這就是我們要處理的問題。物流文件自動化,指的是把提單、報關單、POD 這類半結構化文件裡的欄位,用 AI 從掃描檔或 PDF 自動擷取成系統可用的結構化資料,取代人工 key-in,並且用可驗收的準確率標準確保它能真的上線。重點在最後半句。能擷取不稀奇,能被驗收、能被信任才稀奇。

三種文件,三種難法

很多人談這題直接跳到「用 OCR 就好」。這是誤區。OCR 只解決「看得懂字」,而這三種文件難的地方根本不在認字,在於每一種的結構、變異、驗收標準都不一樣。

提單 (B/L) 最麻煩的是沒有統一格式。Maersk、ONE、長榮各家版式不同,同一家還分正本、電放、Sea Waybill。欄位位置飄移,收貨人那欄常常塞了三行地址加聯絡人。我們的做法不是硬套模板,而是先做欄位語意抽取:讓模型理解「這段文字是 consignee」而不是「這個座標的文字是 consignee」。這樣換一家船公司的提單,系統不用重新標註。

報關單 難在合規,不在版式。品名要對應正確的 HS Code,稅則錯了是會被海關退單甚至罰款的。這裡我們刻意不讓 AI 自己「猜」稅號,而是擷取原始品名後,比對客戶自己的歷史報關紀錄與稅則資料庫,給出候選 code 加信心分數,低於門檻就轉人工。AI 負責提速,不負責扛法規風險。這條界線我們畫得很清楚。

POD (簽收單) 是三者裡最髒的資料。它常常是司機手機拍的、歪的、有反光的、簽名蓋住日期的。這裡真正的價值不是讀簽名,是把「這張 POD」對回「哪一張運單」,並抓出簽收時間與異常註記(破損、短少、拒收)。擷取簽收日期和勾稽單號,比辨識龍飛鳳舞的簽名重要得多。

驗收才是整個專案的重心

我看過太多案子死在這裡:Demo 時挑五張漂亮的提單,準確率 99%,簽約。上線後遇到皺掉的傳真件,直接崩。所以我們一開始就跟客戶把驗收標準寫死,而且是分欄位、分文件訂,不是給一個籠統的「整體準確率」。

為什麼櫃號要 99.5% 而收貨人只要 97%?因為櫃號錯了整票報關作廢,收貨人地址有個錯字通常人看得出來、補得回來。驗收標準要跟商業風險綁在一起,不是每個欄位都追求滿分。追滿分的代價是把大量本來能自動過的件退回人工,反而失去導入的意義。

我們還堅持一件事:上線前用客戶過去三個月的真實文件回放,不是用乾淨樣本。皺的、糊的、蓋章蓋歪的全丟進去。回放跑出來的準確率才是真的,Demo 那份不算。

上線後的樣子

那家承攬業者做完之後,提單與 POD 走全自動,報關單走「AI 擷取加人工確認稅則」。key-in 從三班縮成一個人做例外處理與抽查。單票平均處理時間從七分鐘降到四十秒,錯誤率壓在 0.5% 以下,而且錯的那些都落在例外佇列裡被接住,不會直接流到海關。

要誠實講一個取捨:上線第一個月人工複核率一度到 20%,比我們估的高。原因是客戶有一個小船東的提單版式我們回放資料裡沒涵蓋到。我們花了兩週補樣本、調門檻才降到 8%。這種事不會在提案簡報裡出現,但它就是真實導入的一部分。

這也是我們做物流文件自動化的一貫方式:工程師進場,拿你的真實爛檔案做驗收,把準確率門檻跟商業風險綁死,然後守在上線後那段最難看的爬升期,直到現場的人真的把它用起來。Demo 很美不算數,凌晨兩點沒人再手動敲提單,才算。