Descrizione del progetto
TradottoOgni giorno elaboriamo un flusso di documenti scansionati e siamo stanchi di riscriverli a mano. Abbiamo bisogno di un servizio che prenda un'immagine caricata o una scansione multipagina e restituisca dati strutturati puliti: non solo un muro di testo riconosciuto, ma esattamente i campi che ci interessano. Per una fattura questi sono fornitore, numero di fattura, data, articoli, tasse e totale. Per una ricevuta questi sono commerciante, data, importo e valuta. Per un documento d'identità questi sono nome, numero del documento e data di scadenza. Ogni valore estratto deve avere un punteggio di confidenza in modo che l'operatore veda immediatamente quali campi fidarsi e quali controllare. Il compito riguarda specificamente la lettura e l'estrazione di dati dai documenti, quindi non offrirci generazione di PDF o librerie multimediali: questo è un progetto diverso.
Il risultato ha due parti che devono funzionare insieme. Prima, un pipeline di estrazione affidabile: pulizia e allineamento dell'immagine, OCR su diverse qualità di stampa e più lingue, poi uno strato di parsing che mappa il testo grezzo ai campi nominati sopra. Secondo, un'interfaccia di verifica semplice dove un umano apre un documento, vede i campi riconosciuti sovrapposti alla scansione originale e corregge qualsiasi errore che il modello ha commesso prima dell'approvazione. I campi a bassa confidenza dovrebbero essere evidenziati in modo che la verifica sia rapida. Tutto questo deve essere disponibile anche programmaticamente: un endpoint REST che prende un file e restituisce JSON con campi, valori, coordinate della bounding box e confidenza, più webhook o endpoint di stato per batch asincroni.
Siamo flessibili sulla tecnologia: modelli di visione cloud, stack OCR open source o un ibrido funzioneranno purché l'accuratezza sia alta e il costo per pagina sia prevedibile. Condividi esempi di compiti di estrazione simili e valuta onestamente l'accuratezza su scansioni reali e imperfette.
— Estrai campi strutturati da fatture, ricevute e documenti d'identità
— Punteggio di confidenza per ogni campo con evidenziazione di quelli inaffidabili
— Interfaccia di verifica con sovrapposizione dei campi sulla scansione originale
— API REST che restituisce JSON: campi, valori, coordinate, confidenza
— Elaborazione batch con stato asincrono o webhook
— Prezzo prevedibile per pagina e accuratezza documentata sulle scansioni
Il risultato ha due parti che devono funzionare insieme. Prima, un pipeline di estrazione affidabile: pulizia e allineamento dell'immagine, OCR su diverse qualità di stampa e più lingue, poi uno strato di parsing che mappa il testo grezzo ai campi nominati sopra. Secondo, un'interfaccia di verifica semplice dove un umano apre un documento, vede i campi riconosciuti sovrapposti alla scansione originale e corregge qualsiasi errore che il modello ha commesso prima dell'approvazione. I campi a bassa confidenza dovrebbero essere evidenziati in modo che la verifica sia rapida. Tutto questo deve essere disponibile anche programmaticamente: un endpoint REST che prende un file e restituisce JSON con campi, valori, coordinate della bounding box e confidenza, più webhook o endpoint di stato per batch asincroni.
Siamo flessibili sulla tecnologia: modelli di visione cloud, stack OCR open source o un ibrido funzioneranno purché l'accuratezza sia alta e il costo per pagina sia prevedibile. Condividi esempi di compiti di estrazione simili e valuta onestamente l'accuratezza su scansioni reali e imperfette.
— Estrai campi strutturati da fatture, ricevute e documenti d'identità
— Punteggio di confidenza per ogni campo con evidenziazione di quelli inaffidabili
— Interfaccia di verifica con sovrapposizione dei campi sulla scansione originale
— API REST che restituisce JSON: campi, valori, coordinate, confidenza
— Elaborazione batch con stato asincrono o webhook
— Prezzo prevedibile per pagina e accuratezza documentata sulle scansioni
Programmazione web Contante, Bonifico bancario
