領収書の自動仕訳を“実務で回す”：AI-OCR × ルールエンジン × LLMのハイブリッド設計

完全LLMに任せない“堅牢アーキテクチャ”が鍵

AI-OCRは万能ではありません。実務レベルの精度と可用性を両立するには、 OCR → 正規化 → ルールエンジン → LLM補完 → 人手検証の段階分離が安定します。

処理パイプライン

1. 画像前処理：傾き補正・二値化・ノイズ除去（OpenCV）。
2. OCR：日付・金額・店舗名・税率ごとにフィールド抽出（Vision API / Tesseract＋学習）。
3. 正規化：全角半角/通貨/税計算の検算。閾値を満たさない場合は保留。
4. ルールエンジン：仕訳推定（勘定科目・税区分）をドメインルールで確定。
5. LLM補完：不明店舗の業種推定、メモ自動生成、曖昧ケースの候補提示。
6. ヒューマン・イン・ザ・ループ：UIで差分確認→承認→学習データ化。

ルール優先、LLMは“ギャップ埋め”に限定

税区分や端数処理はルールで確定させ、LLMは不確実な部分の補助に徹します。

スキーマ例とトレーサビリティ

-- PostgreSQL (simplified)
CREATE TABLE receipts (
  id BIGSERIAL PRIMARY KEY,
  tenant_id TEXT NOT NULL,
  uploaded_at TIMESTAMP NOT NULL,
  image_url TEXT NOT NULL,
  pay_date DATE, amount NUMERIC(12,2), tax_rate NUMERIC(4,2),
  vendor TEXT, category TEXT, tax_code TEXT,
  ocr_confidence NUMERIC(5,2),
  status TEXT CHECK (status IN ('pending','needs_review','posted')),
  trace_id TEXT -- 処理全体のトレース
);

CREATE TABLE audit_logs (
  id BIGSERIAL PRIMARY KEY,
  receipt_id BIGINT REFERENCES receipts(id),
  stage TEXT, -- ocr|normalize|rule|llm|human
  payload JSONB, created_at TIMESTAMP DEFAULT now()
);

各ステージを監査ログに残すことで、出力の説明可能性と再現性を担保します。

品質管理：サンプリングと再学習

• 低信頼/高金額のサンプルを優先検証（リスクベース）
• 否認データをハード・ネガティブとして再学習
• 月次で科目・税区分のドリフトをチェック

現場で回る自動化はルール×AI×人の適切な分業から。精度だけでなく、説明責任と運用のしやすさを設計しましょう。