Описание проекта
Каждый день мы обрабатываем поток отсканированных документов и устали перепечатывать их вручную. Нам нужен сервис, который принимает загруженное изображение или многостраничный скан и возвращает чистые структурированные данные: не просто стену распознанного текста, а именно те поля, которые нам важны. Для счёта это поставщик, номер счёта, дата, позиции, налог и итог. Для чека это продавец, дата, сумма и валюта. Для удостоверения это имя, номер документа и срок действия. Каждое извлечённое значение должно иметь оценку уверенности, чтобы оператор сразу видел, каким полям можно доверять, а какие стоит перепроверить. Задача именно в чтении и извлечении данных из документов, поэтому не предлагайте нам генератор PDF или библиотеку медиафайлов, это совсем другой проект.
Результат состоит из двух частей, которые обязаны работать вместе. Первая — надёжный конвейер извлечения: очистка и выравнивание изображения, OCR при разном качестве печати и на нескольких языках, затем слой разбора, который раскладывает сырой текст по названным выше полям. Вторая — простой интерфейс проверки, где человек открывает документ, видит распознанные поля поверх исходного скана и правит всё, что модель распознала неверно, до утверждения записи. Поля с низкой уверенностью должны подсвечиваться, чтобы проверка шла быстро. Всё это также должно быть доступно программно: REST-эндпоинт, который принимает файл и возвращает JSON с полями, значениями, координатами рамок и уверенностью, плюс вебхук или эндпоинт статуса для асинхронных пакетов.
Мы гибки в выборе технологий: подойдёт облачная модель зрения, опенсорсный OCR-стек или гибрид, лишь бы точность была высокой, а стоимость страницы предсказуемой. Пришлите примеры похожих задач по извлечению и честно оцените точность на реальных, неидеальных сканах.
— Извлечение структурированных полей из счетов, чеков и удостоверений
— Оценка уверенности по каждому полю с подсветкой ненадёжных
— Интерфейс проверки с наложением полей на исходный скан
— REST API, возвращающий JSON: поля, значения, координаты, уверенность
— Пакетная обработка с асинхронным статусом или вебхуками
— Предсказуемая цена за страницу и документированная точность на сканах
Результат состоит из двух частей, которые обязаны работать вместе. Первая — надёжный конвейер извлечения: очистка и выравнивание изображения, OCR при разном качестве печати и на нескольких языках, затем слой разбора, который раскладывает сырой текст по названным выше полям. Вторая — простой интерфейс проверки, где человек открывает документ, видит распознанные поля поверх исходного скана и правит всё, что модель распознала неверно, до утверждения записи. Поля с низкой уверенностью должны подсвечиваться, чтобы проверка шла быстро. Всё это также должно быть доступно программно: REST-эндпоинт, который принимает файл и возвращает JSON с полями, значениями, координатами рамок и уверенностью, плюс вебхук или эндпоинт статуса для асинхронных пакетов.
Мы гибки в выборе технологий: подойдёт облачная модель зрения, опенсорсный OCR-стек или гибрид, лишь бы точность была высокой, а стоимость страницы предсказуемой. Пришлите примеры похожих задач по извлечению и честно оцените точность на реальных, неидеальных сканах.
— Извлечение структурированных полей из счетов, чеков и удостоверений
— Оценка уверенности по каждому полю с подсветкой ненадёжных
— Интерфейс проверки с наложением полей на исходный скан
— REST API, возвращающий JSON: поля, значения, координаты, уверенность
— Пакетная обработка с асинхронным статусом или вебхуками
— Предсказуемая цена за страницу и документированная точность на сканах
Веб программирование Наличные, Банковский перевод
