Dharma-AI представи на 4 ноември Field Extractor: модел с два милиарда параметъра за извличане на полета от документни изображения. Авторите описват свободно извличане и работа по зададена схема, включително връщане на null за липсваща стойност. Техният тест върху 546 документа съчетава съвпадение на полета, сходство на стойности и валиден JSON, а не процент напълно безгрешни документи. Това са публикувани фирмени измервания, не независима оценка от SIExpo.
Сравнението на разходите съпоставя самостоятелно изпълнение върху L40S с API цени според токените. То не е крайна цена за клиент и не включва еднакъв оперативен модел от двете страни. Съществената новина е специализацията за определена документна задача, а не доказано превъзходство над всеки общ модел.
Какво се променя след разчитането на страницата
Практическата разлика може да се обясни с наша примерна фактура. Прочетеният текст съдържа име на доставчик, няколко дати и повече от една сума. За счетоводно приложение е важно коя дата е падеж и коя сума е общата, а не просто дали всички знаци присъстват в транскрипцията. Пренасянето към структурирани полета добавя задача по интерпретация.
В такъв процес грешките могат да бъдат тихи. Числото изглежда правдоподобно, полето има очакваното име и импортът завършва, но стойността е взета от друг ред. Затова нашата препоръка е да се пази връзка към страницата и конкретния документ, за да може спорно извличане да бъде проверено. Това е редакционен модел на внедряване, не обявена функция на продукта.
Схемата проверява структурата
Официалната документация на JSON Schema показва, че описването на properties само по себе си не прави всички полета задължителни и не забранява допълнителни. За тези ограничения се използват отделни правила, включително required и additionalProperties. Null и отсъстващо свойство също не са едно и също. Тези детайли имат значение, ако получателят разчита на точно определен договор за данните.
Структурна проверка не може сама да установи дали сумата съответства на оригиналната фактура. В собствен пилот бихме разделили проверката на формат от проверката на съдържание. Едната установява дали документът може да се обработи от следващата система; другата сравнява стойностите с действителния източник. Само успешно разчитане на JSON не е достатъчен критерий за приемане.
Практическа разлика има и между отхвърляне на непълен обект и тихо запълване на празно място. Приемащото приложение трябва изрично да обработва липсващ падеж, без да го приема за действителна дата. Бихме показали това състояние на проверяващия и бихме го изпитали, преди резултатът да задейства последваща работа. Това е редакционно изискване към целия работен поток, а не допълнително обещание на доставчика.
Предисторията не е същият модел
Априлският препринт DharmaOCR разглежда специализирано OCR и проблема с повтарящи се, прекомерно дълги генерирания. Авторите свързват този дефект и с по-високи разходи и закъснение. Той дава контекст за специализацията, но неговите модели и резултати не трябва да се смесват с новия Field Extractor. Не твърдим, че априлските тегла представляват обявения през ноември checkpoint.
Публичният FUNSD, използван в документни изследвания, съдържа анотирани шумни сканирани формуляри и отношения между семантични единици. Такъв набор помага за проверимост на определени задачи. Той не е автоматично представителен за формулярите на всяка организация, на всеки език и при всяко качество на сканиране.
Как би изглеждала полезна приемателна проверка
Бихме избрали документи от действителния поток, включително празни полета, многостранични таблици и повредени сканове. За всяко поле бихме записали очакваната стойност и кои грешки изискват човешки преглед. Примерно грешен падеж може да е по-съществен от различно изписване на описателен текст, дори общата средна оценка да изглежда добра.
Същата проверка трябва да отчете повторната обработка. Ако документът пристигне втори път, валиден отговор не бива автоматично да създава втора операция в приемащата система. Това е въпрос към интеграцията около модела. Новото предложение заслужава оценка като по-тясно специализиран инструмент, с ясно разграничение между заявените резултати и доказаното върху собствените документи.
