Опис проєкту
ПерекладУ нашої компанії накопилося десятки тисяч паперових рахунків та сканів документів, які зараз лежать у папках та PDF-архівах без жодної можливості пошуку та аналізу. Нам потрібен робочий конвеєр OCR-оцифровування: він бере партію сканів, розпізнає текст на кожній сторінці та перетворює неструктуровані зображення на чисті структуровані записи, за якими можна будувати запити. Обсяг зростає щотижня, тому рішення повинно працювати автоматично за розписанням, забирати нові файли з вхідної папки та обробляти їх надійно, без ручного нагляду за чергою. Точність для нас важливіша за швидкість: невірна сума або неправильно прочитана дата породжують реальні проблеми в бухгалтерії, тому конвеєр повинен діяти обережно й помічати все, у чому він не впевнений.
Конкретно за кожним документом система повинна витягати потрібні нам поля: назву постачальника, номер рахунку, дату виставлення, позиції (де вони є), валюту, суму без податку, податок та підсумкову суму. Після витягання значення потрібно перевіряти, дати приводити до єдиного канонічного формату, числа звіряти так, щоб позиції сходилися з указаним підсумком, а результати з низькою впевненістю направляти в чергу на ручну перевірку, а не записувати мовчки. Чисті записи слід виписувати й у нашу базу даних, й у таблицю, щоб фінансовий відділ міг одразу з ними працювати. Перевагу має реалізація на Python з відомим OCR-рушієм, зрозумілим логуванням і простим способом повторно обробити збійні документи.
Просимо ставитися до цього як до бойового інструменту, а не до прототипу. Ми надамо репрезентативний набір реальних сканів (різної якості, з поворотами та на різних мовах) для налаштування, й очікуємо в результаті вихідний код, інструкцію з установки та коротку передачу справ, щоб наші співробітники могли експлуатувати й розвивати систему.
— Забір сканів та PDF із відстежуваної папки, вирівнювання та очистка зображень перед розпізнаванням
— Витягання постачальника, номера рахунку, дат, сум, податку та позицій з оцінкою впевненості
— Перевірка та нормалізація полів; звіряння позицій з підсумком; відправлення сумнівних результатів на ручну перевірку
— Виписання структурованих записів у базу й у таблицю; логи та можливість повторного запуску
Конкретно за кожним документом система повинна витягати потрібні нам поля: назву постачальника, номер рахунку, дату виставлення, позиції (де вони є), валюту, суму без податку, податок та підсумкову суму. Після витягання значення потрібно перевіряти, дати приводити до єдиного канонічного формату, числа звіряти так, щоб позиції сходилися з указаним підсумком, а результати з низькою впевненістю направляти в чергу на ручну перевірку, а не записувати мовчки. Чисті записи слід виписувати й у нашу базу даних, й у таблицю, щоб фінансовий відділ міг одразу з ними працювати. Перевагу має реалізація на Python з відомим OCR-рушієм, зрозумілим логуванням і простим способом повторно обробити збійні документи.
Просимо ставитися до цього як до бойового інструменту, а не до прототипу. Ми надамо репрезентативний набір реальних сканів (різної якості, з поворотами та на різних мовах) для налаштування, й очікуємо в результаті вихідний код, інструкцію з установки та коротку передачу справ, щоб наші співробітники могли експлуатувати й розвивати систему.
— Забір сканів та PDF із відстежуваної папки, вирівнювання та очистка зображень перед розпізнаванням
— Витягання постачальника, номера рахунку, дат, сум, податку та позицій з оцінкою впевненості
— Перевірка та нормалізація полів; звіряння позицій з підсумком; відправлення сумнівних результатів на ручну перевірку
— Виписання структурованих записів у базу й у таблицю; логи та можливість повторного запуску
Розробка програм Готівка, Банківський переказ
