Неструктураваныя візуальныя даныя — адна з галоўных перашкод у сучасным бізнесе. Рахункі прыходзяць у выглядзе няякасных фота са смартфонаў, дакументы, якія сведчаць асобу, фатаграфуюцца з блікамі і ценямі, а палявыя справаздачы прыносяць тысячы неўпарадкаваных фатаграфій, у якія супрацоўнікі вымушаны ўглядацца і перапісваць лічбы ўручную. Гэта павольна, непазбежна вядзе да памылак і душыць аперацыйную прапускную здольнасць кампаніі. Я распрацоўваю надзейныя канвееры камп'ютарнага зроку і інтэлектуальнай апрацоўкі дакументаў (IDP), якія вылучаюць сэнс з візуальнага свету. Спалучаючы папярэднюю апрацоўку выяў і мультымадальныя мадэлі зроку са строгай валідацыяй схем, мы пераўтвараем візуальныя дакументы ў тыпізаваныя запісы баз даных за секунды. Галоўнае: калі якасць зыходнага файла выклікае сумневы, алгарытм ацэнкі дакладнасці накіроўвае складаныя выпадкі ў зручны інтэрфейс для чалавечага кантролю (human-in-the-loop), забяспечваючы 100% цэласнасць даных без запаволення бізнес-працэсаў.
Абмеркаваць праектКанчатковы аб'ём работ фармуецца пад задачы вашага праекта.
Мы аналізуем рэпрэзентатыўныя ўзоры вашых рэальных малюнкаў: скажоныя сканы, пакамечаныя чэкі, PDF-файлы ад пастаўшчыкоў або фатаграфіі з палявых камер. Мы вызначаем узровень шуму, перапады асвятлення і дакладны пералік палёў, якія неабходна выняць.
Зыходныя фатаграфіі з камер рэдка бываюць ідэальнымі. Мы ствараем аўтаматычныя канвееры папярэдняй апрацоўкі: карэкцыя перспектывы, выраўноўванне нахіленых дакументаў, нармалізацыя кантрасту і выдаленне ценяў перад перадачай выяў мадэлям распазнавання.
Выманне тэксту са складаных таблічных структур, шматкалонных рахункаў, транспартных накладных і пасведчанняў асобы. Замест вяртання сырых нефарматаваных тэкставых блокаў сістэма прывязвае візуальныя рамкі (bounding boxes) напрамую да семантычных палёў базы даных.
Навучанне і разгортванне мадэляў для аўтаматычнай сартавання ўваходнага візуальнага кантэнту. Няхай гэта будзе размеркаванне фатаграфій аўтамабіляў па ракурсе здымкі, катэгарызацыя таварных запасаў ці выяўленне пашкоджанняў упакоўкі — усе выявы індэксуюцца без ручной разметкі.
Ніколі не варта давяраць распазнаным даным усляпую. Вынятыя падатковыя нумары (УНП), сумы па рахунках, даты і серыйныя нумары правяраюцца па формулах кантрольных сум, рэгулярных выразах і матэматычных перакрыжаваных звярках да запісу ў базу даных.
Калі выява пашкоджана і ўзровень упэўненасці мадэлі апускаецца ніжэй узгодненага парога, сістэма пазначае запіс. Аператар бачыць абрэзаны фрагмент арыгінала непасрэдна побач з праблемным полем, пацвярджаючы або выпраўляючы значэнне адным націскам клавішы.
Пасля верыфікацыі вынятыя даныя імгненна перадаюцца ў дзеянне. Апрацоўшчыкі webhooks і фонавыя працэсы (workers) абнаўляюць вашу CRM, адпраўляюць заказы пастаўшчыкам, звяраюць і сінхранізуюць даныя (reconciliation) з банкаўскімі выпіскамі або апавяшчаюць акаўнт-менеджараў.
Баланс дакладнасці і выдаткаў на выклікі API. Мы выкарыстоўваем лёгкія лакальныя мадэлі для масавага базавага распазнавання і падключаем магутныя мультымадальныя мадэлі толькі для складанага аналізу, захоўваючы строгія правілы прыватнасці ў адпаведнасці з GDPR.
Мы аналізуем рэпрэзентатыўныя ўзоры вашых рэальных малюнкаў: скажоныя сканы, пакамечаныя чэкі, PDF-файлы ад пастаўшчыкоў або фатаграфіі з палявых камер. Мы вызначаем узровень шуму, перапады асвятлення і дакладны пералік палёў, якія неабходна выняць.
Практычнае выкарыстанне камп'ютарнага зроку ў production патрабуе шматузроўневага падыходу, а не сляпога даверу адной мадэлі «чорнай скрыні». Я спалучаю OpenCV і Sharp для геаметрычнай нармалізацыі і фільтрацыі выяў; Google Cloud Vision, AWS Rekognition або Tesseract для высокапрадукцыйнага распазнавання тэксту; і мультымадальныя базавыя мадэлі (Claude 3.5 Sonnet Vision, GPT-4o), калі дакументы патрабуюць глыбокага семантычнага аналізу і разумення складаных табліц. Для сцэнарыяў з крытычнымі патрабаваннямі да затрымкі ці афлайн-працы апрацоўка рэалізуецца лакальна на прыладах з дапамогай TensorFlow Lite або ONNX. Кожны вынік распазнавання праходзіць абавязковую валідацыю схем праз Zod і перадаецца ў бэкенд праз надзейныя асінхронныя чэргі webhooks.
Ні адна існуючая мадэль у свеце не забяспечвае 100% дакладнасці на размытых ці пашкоджаных здымках, і той, хто абяцае адваротнае, уводзіць вас у зман. Ключавое значэнне мае інжынерная апрацоўка памылак і нявызначанасці. Наш канвеер прысвойвае кожнаму распазнанаму полю матэматычны бал дакладнасці (confidence score). Калі асвятленне было слабым ці тэкст перакрыты, сістэма аўтаматычна перанакіроўвае дакумент у зручны інтэрфейс для чалавечага кантролю (human-in-the-loop), гарантуючы, што ў вашу фінальную базу даных трапляюць толькі на 100% дакладныя запісы.
Праз строгія архітэктурныя прынцыпы мінімізацыі даных і палітыку нулявога захавання (zero-retention). Выявы шыфруюцца пры перадачы (TLS) і ў сховішчы (AES-256). Мы выкарыстоўваем карпаратыўныя выдзеленыя API з юрыдычнай гарантыяй незахавання даных для навучання мадэляў альбо апрацоўваем файлы лакальна на вашай закрытай інфраструктуры. Пасля завяршэння працэсу распазнавання і праверкі зыходныя графічныя файлы архівуюцца ў закрытых бакетах альбо выдаляюцца ў строгай адпаведнасці з вашым нарматыўным рэгламентам.
Сучасныя мультымадальныя мадэлі выдатна спраўляюцца з акуратным і ўмерана разборлівым почыркам (подпісы, даты, адзнакі і галачкі ў бланках). Аднак моцна дэфармаваны ці неразборлівы курсіў па-ранейшаму стварае цяжкасці. Падчас першапачатковага аналізу мы тэстуем рэальныя ўзоры рукапісных дакументаў, каб вызначыць базавую дакладнасць і наладзіць аптымальныя парогі для чалавечага кантролю (human-in-the-loop).
Так. Масавая пакетная апрацоўка — адзін з ключавых сцэнарыяў выкарыстання. Мы наладжваем размеркаваныя фонавыя працэсы (workers), якія апрацоўваюць вялікія архівы гістарычных PDF-файлаў або малюнкаў у начны час. Сістэма адсочвае прагрэс у рэальным часе, кантралюе ліміты запытаў (rate limits), накіроўвае выключэнні ў чаргу аўдыту і фармуе чыстыя структураваныя запісы JSON або SQL, гатовыя да імпарту ў базу даных.
Ён спраектаваны для максімальнай хуткасці працы з клавіятуры і высокай эрганомікі аператара. Экран аператара паказвае павялічаны выразаны фрагмент зыходнага дакумента непасрэдна побач з полем уводу. Сумнеўныя сімвалы падсвечваюцца жоўтым колерам. Аператар можа пацвердзіць значэнне націскам клавішы Прабел або імгненна ўвесці выпраўленне з лічбавага блока клавіятуры, правяраючы сотні запісаў за лічаныя хвіліны.
Кожны праект ацэньваецца індывідуальна на падставе аб'ёму, архітэктурнай складанасці і патрабаванняў да запуску. Мы ўзгадняем увесь спіс работ і фіксаваны кошт да пачатку распрацоўкі.
Для індывідуальных рашэнняў на заказ (bespoke) вы валодаеце 100% створанага кода, рэпазітарыямі пад вашым поўным кантролем, уліковымі запісамі інфраструктуры, дакументацыяй і атрымліваеце поўную перадачу правоў валодання. Староннія кампаненты і воблачныя сэрвісы захоўваюць свае ўласныя ліцэнзіі і ўмовы выкарыстання. Калі вашым задачам адпавядае ўжо гатовае праверанае рашэнне, я магу дапамагчы ўкараніць і наладзіць яго, эканомячы бюджэт на лішняй распрацоўцы з нуля. У гэтым выпадку вы атрымліваеце доступ на ўзгодненых умовах карыстання прадуктам, а яго базавая платформа застаецца ва ўласнасці яе распрацоўшчыка.
У кожны разавы праект уваходзіць 60 дзён гарантыйнай стабілізацыі і аператыўнага выпраўлення памылак пасля запуску ўзгодненага рэлізу. Далейшае суправаджэнне можа ажыццяўляцца па дамове аб падтрымцы, дзе распрацоўка новых функцый ацэньваецца асобна. Доступ да гатовых прадуктовых платформаў рэгулюецца іх уласнымі ўмовамі тэхнічнай падтрымкі.
Раскажыце мне пра сваю ідэю, задачу або тую частку прадукту, якую трэба рухаць наперад. Мы разам вызначым аптымальны аб'ём работ і наступныя крокі.
Давайце абмяркуем ваш прадукт