Opis projektu
PrzetłumaczoneNasza firma zgromadziła dziesiątki tysięcy papierowych paragonów i skanów dokumentów, które obecnie znajdują się w folderach i archiwach PDF bez możliwości przeszukiwania lub analizy. Potrzebujemy działającego pipeline'u cyfryzacji OCR: przyjmuje partię skanów, rozpoznaje tekst na każdej stronie i przekształca niestrukturalne obrazy w czyste ustrukturyzowane rekordy, które można zapytać. Objętość rośnie co tydzień, więc rozwiązanie musi działać automatycznie według harmonogramu, pobierać nowe pliki z folderu wejściowego i przetwarzać je niezawodnie bez ręcznego monitorowania kolejki. Dokładność jest dla nas ważniejsza niż prędkość: błędna kwota lub źle odczytana data powoduje realne problemy w księgowości, więc pipeline powinien działać ostrożnie i oznaczać wszystko, co budzi wątpliwości.
Dla każdego dokumentu system musi wyodrębnić potrzebne pola: nazwa dostawcy, numer faktury, data faktury, pozycje (gdzie istnieją), waluta, kwota przed opodatkowaniem, podatek i całkowita kwota. Po wyodrębnieniu wartości muszą być weryfikowane, daty sprowadzone do jednego kanonicznego formatu, liczby uzgadniane, aby pozycje odpowiadały podanej łącznej kwocie, a wyniki o niskiej pewności wysyłane do kolejki do ręcznej weryfikacji zamiast cicho rejestrowane. Czyste rekordy powinny być wyprowadzane zarówno do naszej bazy danych, jak i do arkusza kalkulacyjnego, aby dział finansowy mógł z nimi natychmiast pracować. Preferowana jest implementacja w Pythonie z użyciem znanego silnika OCR, jasnym logowaniem i prostym sposobem na ponowne przetwarzanie nieudanych dokumentów.
Proszę traktować to jako narzędzie produkcyjne, a nie prototyp. Dostarczymy reprezentatywny zestaw rzeczywistych skanów (o różnej jakości, obróconych, w różnych językach) do dostrojenia, a w zamian oczekujemy kodu źródłowego, instrukcji instalacji i krótkiego przekazania, aby nasz personel mógł obsługiwać i rozwijać system.
— Pobierz skany i PDF-y z monitorowanego folderu, wyrównaj i oczyść obrazy przed rozpoznawaniem
— Wyodrębnij dostawcę, numer faktury, daty, kwoty, podatek i pozycje z oceną pewności
— Weryfikuj i normalizuj pola; uzgadniaj pozycje z łączną kwotą; wysyłaj wątpliwe wyniki do ręcznej weryfikacji
— Wyprowadzaj ustrukturyzowane rekordy do bazy danych i arkusza kalkulacyjnego; logi i możliwość ponownego uruchomienia
Dla każdego dokumentu system musi wyodrębnić potrzebne pola: nazwa dostawcy, numer faktury, data faktury, pozycje (gdzie istnieją), waluta, kwota przed opodatkowaniem, podatek i całkowita kwota. Po wyodrębnieniu wartości muszą być weryfikowane, daty sprowadzone do jednego kanonicznego formatu, liczby uzgadniane, aby pozycje odpowiadały podanej łącznej kwocie, a wyniki o niskiej pewności wysyłane do kolejki do ręcznej weryfikacji zamiast cicho rejestrowane. Czyste rekordy powinny być wyprowadzane zarówno do naszej bazy danych, jak i do arkusza kalkulacyjnego, aby dział finansowy mógł z nimi natychmiast pracować. Preferowana jest implementacja w Pythonie z użyciem znanego silnika OCR, jasnym logowaniem i prostym sposobem na ponowne przetwarzanie nieudanych dokumentów.
Proszę traktować to jako narzędzie produkcyjne, a nie prototyp. Dostarczymy reprezentatywny zestaw rzeczywistych skanów (o różnej jakości, obróconych, w różnych językach) do dostrojenia, a w zamian oczekujemy kodu źródłowego, instrukcji instalacji i krótkiego przekazania, aby nasz personel mógł obsługiwać i rozwijać system.
— Pobierz skany i PDF-y z monitorowanego folderu, wyrównaj i oczyść obrazy przed rozpoznawaniem
— Wyodrębnij dostawcę, numer faktury, daty, kwoty, podatek i pozycje z oceną pewności
— Weryfikuj i normalizuj pola; uzgadniaj pozycje z łączną kwotą; wysyłaj wątpliwe wyniki do ręcznej weryfikacji
— Wyprowadzaj ustrukturyzowane rekordy do bazy danych i arkusza kalkulacyjnego; logi i możliwość ponownego uruchomienia
Rozwój oprogramowania Gotówka, Przelew bankowy
