新聞・雑誌の掲載紙をスキャンして読み取り、掲載日・掲載面・広告サイズ・原稿番号を発注と照らして、掲載の誤りと掲載紙の未着を広告主への報告の前に拾う

処理の起点を決める

受領フォルダに、掲載紙のファイルが保存されたことを起点にします。 届いた掲載紙は、その日のうちにスキャンしてフォルダに入れる決まりにします。束で届いた掲載紙をまとめてスキャンする必要はありません。 1部ずつ入れれば、1部ずつ照合されます。

新聞は、全部の面をスキャンします。 発注の面だけをスキャンすると、違う面に載っていたときに not_found になり、本当に載っていないのか、違う面にあったのかが分かりません。全面を読むから、「違う面に載っていた」と言えます。 スキャナーに入らない大きさの紙面は、折った半分ずつを読み込み、ファイル名に面と上下を付けます。

媒体社からPDFで届く掲載面は、メールの添付を受領フォルダへ移すところまでを連携の処理で行います。 差出人のアドレスを媒体の一覧と照らし、知らない差出人からの添付は移さずに担当へ知らせます。紙とPDFが同じ掲載について両方届いた場合は、先に届いたほうで照合し、後から届いたほうは控えとして残します。

未着の確認は、毎朝の決まった時刻に動かします。 掲載日から媒体ごとに決めた日数（新聞は数日、月刊誌は発売から2週間など）を過ぎても照合の結果が無い掲載を一覧にします。

入力データを集める

質を決めるのは、3行目です。 版の手がかりが無ければ、広告の中の文字を読んでも、どの版が載ったかを決められません。 入稿の担当が原稿を入稿するときに、前の版との違いになる文字列を2〜3個登録する決まりにします。

2行目の面は、発注のときの書き方をそろえます。 「15面」「第15面」「社会面」「テレビ欄の下」のように、同じ面でも担当者によって書き方が違うと、紙面の面の番号と照らせません。媒体の一覧に面の呼び方の対応を持たせ、発注の管理の仕組みの面の欄は一覧から選ぶ形にします。

4行目の1段の高さは、媒体ごとに持たせます。 新聞の段の数と高さは媒体によって違うことがあり、同じ「5段」でも紙面の上での高さが違います。 サイズの照合は、この値で割って段の数を見積もります。

データの取得方法を決める

読み取りは、連携の処理からレイアウトモデル（prebuilt-layout）を呼びます。features=ocrHighResolution と outputContentFormat=markdown を付けます。

発注の管理の仕組みからは、媒体名と掲載日の前後数日で、照合の候補の掲載を引きます。 掲載紙の発行日を読み違えていても、候補の範囲に入るようにするためです。

AIへ渡す前に整形する

1. 形式の確認 … PDF、画像（JPEG/JPG、PNG、BMP、TIFF、HEIF）であることを確かめます
2. ページ数とサイズの確認 … PDF と TIFF は2,000ページまで、ファイルは有料（S0）で500MBまでです。雑誌をまるごとスキャンしても収まります
3. 画像の寸法の確認 … 50×50ピクセルから10,000×10,000ピクセルの間に収めます。新聞の全面を高い解像度でスキャンすると、この上限に近づきます。 上限を超える場合は、解像度を下げるか、半分ずつに分けます
4. 文字の大きさの確認 … 1024×768の画像で12ピクセルが読み取れる最小の高さで、150dpiで約8ポイントの文字にあたります。広告の中の注記の小さな文字は、この下限を下回ることがあります
5. 向きの確認 … 雑誌の見開きの広告は横向きにスキャンされることがあるので、向きの角度で確かめます
6. 面とファイルの対応 … 新聞を半分ずつ読んだファイルは、ファイル名の面と上下で1面に束ねます

3番目と4番目は、両方を同時に満たす必要があります。 新聞の全面を寸法の上限に収めると、広告の注記の小さな文字が読み取りの下限を下回ります。版の手がかりには、注記ではなく価格や電話番号のような大きな文字を選んで登録するのは、このためです。

AIに処理させる

させるのは、紙面1面ごとに、紙面の情報と広告らしい領域を取り出し、根拠にした文字列と座標を書き出すことだけです。

広告主の名前は、発注の候補から渡します。 紙面には多くの広告があり、どれが自社の発注した広告かを紙面だけから決めることはできません。候補の広告主名と版の手がかりを渡し、それを含む領域を探させます。

広告と記事の区別は、紙面によっては難しくなります。 記事のように組まれた広告や、記事の下に並ぶ小さな広告は、図として検出されず、周りの記事の文字とつながって返ることがあります。この場合に広告の範囲を無理に決めさせると、記事の文字を広告の中の文字として照合してしまうので、 ambiguous として人に回します。

4行目が、この構成でいちばん大事な区別です。 紙面のどこにも見つからなかったとき、AIは「掲載されていない」と書きがちです。本当は、スキャンしていない面にあるのかもしれません。 AIには「見つからなかった」までを書かせ、載っていないと判断するのは人です。

指示内容を固定する

あなたは広告会社で、新聞・雑誌の掲載紙を確かめる担当です。
OCRが返した紙面1面分の読み取り結果だけを見て、項目を取り出してください。

【探す広告の候補】
{candidates}  … 広告主名、原稿番号、版の手がかりの文字列

【取り出すもの】
1. 媒体名、発行日、面の番号または面の名前（紙面の上端・下端の文字から）
2. 候補の広告主名を含む広告の領域の座標と、その中の文字
3. 広告の中に印刷された原稿番号（あれば）
4. 版の手がかりの文字列のうち、広告の中に見つかったもの

【厳守事項】
- 書かれていない値は null にしてください。推測で埋めないでください。
- 候補の広告が紙面に見つからない場合は found を false にしてください。
  「掲載されていない」とは書かないでください。
- 広告か記事か区別がつかない領域は ambiguous にしてください。
- 価格・日付・電話番号は、書かれた文字をそのまま写してください。
  読めない桁を補ったり、候補の文字列に合わせて直したりしないでください。
- 信頼度が 0.8 未満の文字を含む値は low_confidence に項目名を入れてください。
- 広告の大きさ（段の数やページの割合）は答えないでください。座標だけを返してください。
- 発注どおりに載っているかの結論は書かないでください。
- evidence には、値を取った元の文字列をそのまま写してください。

【読み取り結果】{layout_markdown}
【図と文字の座標】{figures_and_words}

「候補の文字列に合わせて直さない」を明記しないと、版の照合が意味を失います。 版の手がかりとして「3,980円」を渡すと、紙面の「3,480円」の「4」がかすれているとき、AIは候補に合わせて「3,980円」と読みたがります。 古い版が載っているのを、正しい版として通してしまう失敗です。手がかりを渡すのは探す場所を絞るためで、答えを渡すためではありません。

出力形式を固定する

構造化出力で、次の形のJSONを受け取ります。 スキーマのすべての項目を必須にし、additionalProperties: false を付けます。値の無い項目は null を許す型にします。

{
  "page": {
    "media_name": "", "issue_date": "", "page_label": "",
    "evidence": "", "low_confidence": []
  },
  "ads": [
    {
      "advertiser": "", "found": true, "ambiguous": false,
      "polygon": [], "text": "", "ad_code": null,
      "version_keys_found": [], "low_confidence": [], "evidence": ""
    }
  ]
}

処理はこれを発注と照らし、項目ごとの結果を出します。

1つ目の理由は、項目ごとに結果を分けられることです。 面の違いは媒体社の都合で起きることがあり、広告主によっては問題にならないこともあります。版の違いは、ほぼ必ず問題になります。 項目ごとに分かれていれば、重さの違いを人がすぐに見分けられます。

2つ目は、座標をサイズの計算に使えることです。 polygon の高さをページの高さと媒体の1段の高さで割れば、段の数の見積もりになります。AIに段の数を答えさせると、見た目の印象で答えが揺れます。 計算は処理に置き、誤差の幅を超えたら mismatch ではなく unreadable として人に回します。

システムへ連携する

発注の管理の仕組みへ書き込むのは、照合の結果と受け取った日だけです。 発注の内容そのものは書き換えません。掲載紙が発注と違っていたとき、直すべきは掲載の側か発注の記録の側かは、人が確かめてから決めます。

人が確認する

営業アシスタントが開くのは、match 以外の項目があるものだけです。 すべての項目が match なら、一覧で媒体と広告主を流し見て、報告の下書きに進みます。

1. 版の mismatch を先に見る … 広告の中の文字と、発注した版の原稿のPDFを見比べます。一番重い誤りなので、最初に確かめます
2. not_found を見る … スキャンした面が全部そろっているかを先に確かめ、そろっていれば紙面をめくって探します
3. 面・サイズの mismatch を見る … 面の違いが媒体社から事前に連絡されていたかを、やり取りの記録で確かめます
4. unreadable を見る … 紙面の画像で該当の箇所を見ます
5. 誤りが確かなものを営業に渡す … 媒体社への問い合わせと、広告主への説明は営業が決めます

2番目で、スキャンの不足を先に疑ってください。 not_found の多くは、面のスキャン漏れか、半分ずつ読んだ紙面の片方が抜けていることで起きます。媒体社に問い合わせる前に、自社の側を確かめます。

3番目の面の違いは、媒体社からの連絡で事前に分かっていることがあります。 紙面の都合で面が移る場合、媒体社から担当の営業に連絡が入っていることが多いので、やり取りの記録に連絡があれば、mismatch を「連絡済み」として閉じます。 連絡が無い面の違いだけを、営業に渡します。

目標は、400件をならして1件3分です。 match 以外の項目が出るのは2割前後という想定で、それより多い月は、版の手がかりの登録か、スキャンのしかたを見直します。

例外に対処する

2行目は、新聞で必ず起きます。 同じ日付の新聞でも、地域や刷りの時刻によって版が分かれ、面の番号がずれることがあります。 発注した版と届いた版が違うだけなら、掲載の誤りではありません。

記録を残す

• 掲載紙の画像と、受け取った日・媒体名・号
• OCRが返したJSONの全文と、AIが返した紙面ごとのJSON
• 照合の結果（項目ごと）と、そのとき参照した発注の内容と版の手がかり
• 人が結果を覆した記録と、その理由
• 媒体社への問い合わせの日と回答
• 広告主へ報告した日と、添えた紙面の画像

3つ目で、参照した版の手がかりを残すのは、原稿は掲載の直前まで差し替わるからです。 入稿の後に差し替えがあったのに手がかりが古いままだと、正しい版の掲載を mismatch と判定します。 どの手がかりで照らしたかが残っていれば、誤った判定の理由がすぐに分かります。

5つ目の媒体社への問い合わせの記録は、媒体ごとに集計します。 同じ媒体で面の違いや掲載紙の遅れが続くなら、1件ずつ問い合わせるより、媒体社の担当と運用を相談したほうが早く片づきます。 問い合わせの件数は、その相談の材料になります。