Finansal Tablolar İçin En İyi Açık Kaynak OCR ve Belge Ayrıştırma Modelleri (2026)

Finansal belgeler için çıkarım (inference) platformu seçerken genellikle modellerin nerede çalıştığına, maliyetine ve veri gizliliğine odaklanırız. Ancak madalyonun diğer yüzünde ne çalıştırdığımız var: Bu platformların içinde yer alan ve tabloları okuyan açık kaynaklı modeller. Finansal raporlar söz konusu olduğunda, tablo okumak düz metin okumaktan tamamen farklı bir mühendislik problemidir.

OCR'ın (Optik Karakter Tanıma) artık çözülmüş bir sorun olduğunu düşünebilirsiniz. Düz metin paragrafları için bu büyük ölçüde doğrudur. Ancak birleştirilmiş başlıklar, üç yıllık karşılaştırmalı veriler ve parantez içine alınmış negatif sayılar içeren bir bilanço için durum hiç de öyle değildir.

Bilgilendirme: Bu içerik, finansal tablolar için açık ağırlıklı (open-weight) OCR ve belge ayrıştırma seçeneklerini karşılaştırmakta ve Superlinked Inference Engine ile ekiplerin bu modelleri nasıl devreye alabileceğini ele almaktadır.

Giriş: Yalan Söyleyen Parantez#

OCR hattınızdan (pipeline) tertemiz görünen bir bilançonun çıktığını hayal edin. Her hücre dolu, her sütun hizalı. Ancak orijinal belgede (412) yazan bir satır, çıktıda 412 olmuş. Muhasebede parantezler negatif değer anlamına gelir. Model bunları noktalama işareti sanıp temizlemiş; üstelik bir üst simge dipnot işaretini de fazladan bir rakam olarak okumuş. Sonuç? Bir zarar kâra dönüştü, sayı büyüdü ve sistemde hiçbir hata veya düşük güven uyarısı tetiklenmedi. Ortada sadece kendinden emin bir şekilde yanlış olan düzenli bir tablo var.

Finansal tabloları yazılım geliştiriciler için bu kadar acımasız kılan şey, tek bir sayının anlamının sayının dışındaki bağlama bağlı olmasıdır:

• Üzerindeki başlık: Aynı anda iki veya üç sütunu kapsayan birleştirilmiş bir hücre olabilir.
• Bulunduğu sütun: Tek bir pozisyon kayması, verinin yanlış yıla ait olmasına yol açar.
• Etrafındaki parantezler: Paranın şirkete giren mi yoksa çıkan mı olduğunu belirler.
• Tablonun üzerindeki küçük bilgi satırı: "Hisse başına veriler hariç, milyon cinsinden" gibi hiçbir hücrede yer almayan ama aşağıdaki her sayıyı çarpan kritik metinler.

Faturaları okumakta harika olan bir model, bu dört maddede tamamen çuvallayabilir. Geliştiriciler için pratik çıkarım nettir: Genel liderlik tablolarına güvenmek yerine, modelleri kendi finansal belgelerinizdeki tablo kanıtlarına göre test etmelisiniz.

Bekleyin. Gerçekten OCR'a İhtiyacınız Var mı?#

Modellerden önce, mimarinizdeki en ucuz kazanımı ele alalım: Çoğu resmi finansal bildirimin (örneğin SEC üzerindeki 10-K, 10-Q raporları) OCR'a hiç ihtiyacı yoktur. Bu belgeler zaten HTML formatındadır ve 2019-2021 geçişinden bu yana Inline XBRL taşırlar. Etiketli sayılar doğrudan XBRL API'lerinden, etiketsiz tablolar ise standart bir HTML ayrıştırıcıdan (parser) alınabilir. Bunları bir OCR modeline göndermek, bilgisayarda yazdığınız bir mektubu okuması için birine para ödemek gibidir.

OCR, yalnızca metin resmi olarak var olan belgelerde değerini kanıtlar: dijitalleşme öncesi taranmış ekler, yabancı yıllık raporlar veya veri odası (data-room) paketleri. Üstelik bir PDF yığını içinde bile her sayfanın ağır OCR modellerine ihtiyacı yoktur; akıllı bir ön filtreleme (pre-processing) adımı kurgulamak hem maliyeti hem de hata payını ciddi oranda düşürecektir.