主要观点：报告、发票和报表在向最终用户分享日常活动的每周、每月和年度使用数据及其趋势方面起着重要作用，包括多种格式的数据，且包含用户的 PII 信息。组织因 PII 数据泄露和报告中数据不准确需支付罚款等，多数组织用第三方供应商生成并发送报表，误送或信息不准确的几率较高，可通过视觉语言模型和机器学习技术消除数据泄露。
关键信息：

• 报告等生成过程：客户交易数据存于数据库或数据仓库，软件流程执行数据收集、格式修改等生成报表，再通过邮件或邮寄发送给客户，各阶段可能出错。
• 提取与验证：广泛使用 PDF 格式，有非机器学习和机器学习两种提取方式，前者包括 PDF 转文本、OCR 等，后者如视觉语言模型（SmolDocling、Docling 等）、AWS 服务（Textract、Comprehend）等，且需验证提取数据的准确性。
  重要细节：
• 非机器学习方法的局限性，如不能提取 PDF 中的表格等元素。
• SmolDocling 是超紧凑的 VLM 能进行端到端多模态文档转换，Docling 是开源库用于文档解析处理。
• Landing AI 的 Agentic Document Extraction 利用大视觉模型和大语言模型提取数据。
• AWS Textract 能提取扫描文档数据并保留结构，AWS Comprehend 可用于特定实体识别提取。
• 验证可在报表发送前进行，可将结构化 Markdown 存储后与源数据比较，对 PII 等信息准确性进行验证。

结论：生成含 PII 信息的报表等多步骤过程中，验证其准确性很关键，利用机器学习可高效提取和比较数据，降低时间和成本。