Распознавание документов и проверка извлечённых данных

Между файлом и рабочей записью

Входящий счёт может быть текстовым PDF, фотографией или сканом. Сотруднику нужны одни и те же поля: номер, дата, поставщик и сумма. Перенос вручную повторяется, а ошибка в одном символе делает запись ненадёжной.

Рассматриваем демонстрационный сценарий для ограниченного типа документов. Его цель — подготовить данные к проверке. Автоматическое проведение платежа, юридическая оценка документа и подключение к бухгалтерской системе в этот пример не входят.

Извлечение с сохранением оригинала

Сначала файл проходит проверку формата и размера. Если PDF содержит текст, его можно извлечь напрямую. Для изображения потребуется распознавание текста — OCR. После этого нужные поля приводятся к согласованной структуре.

Рядом со значением сохраняется связь с исходным документом. Сотрудник должен понимать, откуда взялись номер, дата и сумма. Предположение модели не становится реквизитом только потому, что похоже на ожидаемый формат.

Далее работают проверки: допустимая дата, формат идентификатора, согласованность сумм и обязательные поля. Если документ не прошёл проверку, он остаётся в очереди разбора. Принудительное заполнение пропуска случайным значением опаснее явного сообщения о недостатке данных.

Пример: нечёткая сумма в счёте

В условном скане номер и дата читаются хорошо, а одна цифра в итоговой сумме размыта. Система предлагает распознанный вариант, но оставляет сумму неподтверждённой. Оператор открывает нужный фрагмент и сверяет его с документом.

После исправления сохраняются итоговое значение и факт проверки. Повторное получение того же файла должно быть распознано как повтор, если правила процесса не требуют отдельной записи.

Что оцениваем в пилоте

Для начала выбирается один класс документов с понятной структурой. Пилот показывает, какие поля извлекаются устойчиво, какие требуют частой правки и достаточно ли качества исходных сканов. Расширение на другие формы проводится отдельно.

Выход — подтверждённая запись для реестра и доступный оригинал. Экономия считается с учётом времени проверки: мгновенное распознавание не означает мгновенно готовый документ. Если исправлений слишком много, нужно менять способ извлечения или требования к входным файлам.

Какие документы взять для проверки

Контрольная выборка должна включать качественные PDF, фотографии под углом, многостраничные файлы, пустые поля и повторные документы. Для каждого поля заранее готовится эталон. Сравнивается не только наличие текста, но и правильное отнесение значения к реквизиту.

Отдельно проверяются нештатные ситуации: повреждённый файл, неподдерживаемый формат и недоступность распознавания. Пользователь должен получить понятную причину остановки, а исходный документ — остаться доступным для ручной обработки.

Границы решения

Для документов с чувствительными сведениями заранее выбираются место хранения и права доступа. Процесс заканчивается подготовкой записи в реестре; решение об оплате принимает ответственный сотрудник.

Для поиска ответов внутри большого массива инструкций нужен другой процесс — помощник по базе знаний. Здесь результатом являются конкретные поля отдельного документа.