Документы и изображения

Полезно знать с Middle

Извлечение данных из сканов, PDF, таблиц и изображений мультимодальными моделями.

Мультимодальные модели принимают изображения и страницы документов и отвечают на вопросы по ним или извлекают данные в заданном формате.

Извлечение реквизитов, таблиц, данных из форм — со структурированным выводом и проверкой полей.
Разрешение изображения определяет и качество, и число токенов.
Для массовых однотипных документов классический OCR с правилами бывает дешевле; для разнородных — мультимодальная модель проще.
Точность измеряют по полям, отдельно для сканов плохого качества.

Критерии освоения

Извлекает структурированные данные из сканов и PDF мультимодальной моделью со схемой ответа
Сравнивает качество и стоимость с OCR-конвейером на своём наборе документов

Практика. Извлечь реквизиты из 30 разных счетов (скан и PDF) в JSON, измерить точность по полям и стоимость на документ.

Закрытая бета

На живом собеседовании sotto слышит вопрос интервьюера и показывает короткий ответ и план. Оставьте контакт — пришлём доступ и промокод.