Інтеграція AWS Textract для вилучення даних з документів

Бухгалтерія витрачає дні на ручне перенесення даних з рахунків-фактур та актів. Наші клієнти стикалися з тією ж проблемою: до 80% часу йде на копіювання цифр з PDF в ERP. Інтеграція AWS Textract для вилучення даних з документів — завдання, яке ми вирішуємо під ключ. Ми впровадили AWS Textract — сервіс OCR, який вилучає не просто текст, а готові структури: таблиці, форми з парами «ключ-значення», дані посвідчень. Один із проектів скоротив обробку документа з 15 хвилин до 3 секунд, що дає значну економію часу та коштів. Нижче — як ми досягаємо такого результату.

За даними AWS Documentation, моделі Textract навчені на мільйонах документів і показують точність >99% для типових полів.

Чому звичайний OCR не справляється з формами та таблицями?

Класичні OCR-движки повертають потік слів з координатами. Розібрати, де починається таблиця, а де підпис — завдання на тижні. Textract використовує нейромережі, навчені на мільйонах документів: він сам визначає межі таблиць, зв'язки «ключ-значення» у формах і навіть розпізнає рукописний текст. Для складних випадків доступний режим Queries — поставте запитання природною мовою: «Яка сума до оплати?» — і отримайте значення з рівнем впевненості.

Що дає спеціалізована модель Analyze ID?

Модель Analyze ID вилучає дані з паспортів, водійських прав та інших посвідчень з точністю 99%+. Confidence score повертається для кожного поля, що дозволяє відсіювати сумнівні результати. Наприклад, для поля DOCUMENT_NUMBER при confidence 99.8% можна одразу використовувати без перевірки, а при 85% — відправити на ручну верифікацію. Це знижує відсоток помилок до 0.2%.

Як асинхронна обробка працює з великими PDF?

Синхронний API (analyze_document) приймає до 10MB та одну сторінку — ідеально для потокової обробки. Асинхронний (start_document_analysis) працює з PDF до 500MB. Ми використовуємо StartDocumentAnalysis з S3-тригерами: файл потрапляє в бакет → запускається job → результат зберігається в DynamoDB. Для прискорення застосовуємо паралельні запити через Lambda — пропускна здатність зростає лінійно.

import boto3
import json

class AWSTextractExtractor:
    def __init__(self, region: str = 'us-east-1'):
        self.client = boto3.client('textract', region_name=region)

    def extract_from_file(self, image_path: str,
                           feature_types: list = None) -> dict:
        """Синхронна обробка локального файлу (до 10MB, 1 сторінка)"""
        if feature_types is None:
            feature_types = ['TABLES', 'FORMS']

        with open(image_path, 'rb') as f:
            response = self.client.analyze_document(
                Document={'Bytes': f.read()},
                FeatureTypes=feature_types
            )

        return self._parse_response(response)

    def extract_from_s3(self, bucket: str, key: str) -> str:
        """Асинхронна обробка з S3 (для великих файлів та PDF)"""
        response = self.client.start_document_text_detection(
            DocumentLocation={
                'S3Object': {'Bucket': bucket, 'Name': key}
            }
        )
        job_id = response['JobId']

        # Очікування завершення
        import time
        while True:
            result = self.client.get_document_text_detection(JobId=job_id)
            if result['JobStatus'] in ['SUCCEEDED', 'FAILED']:
                break
            time.sleep(2)

        if result['JobStatus'] == 'FAILED':
            raise RuntimeError(f"Textract job failed: {result['StatusMessage']}")

        # Об'єднуємо сторінки
        pages = [result]
        while 'NextToken' in result:
            result = self.client.get_document_text_detection(
                JobId=job_id, NextToken=result['NextToken']
            )
            pages.append(result)

        return self._extract_text_from_pages(pages)

    def _parse_response(self, response: dict) -> dict:
        blocks = {block['Id']: block for block in response['Blocks']}

        # Вилучення форм (KEY_VALUE_SET)
        forms = {}
        for block in response['Blocks']:
            if block['BlockType'] == 'KEY_VALUE_SET' and 'KEY' in block.get('EntityTypes', []):
                key_text = self._get_text(block, blocks)
                value_block = self._get_value_block(block, blocks)
                if value_block:
                    value_text = self._get_text(value_block, blocks)
                    forms[key_text] = value_text

        # Вилучення таблиць
        tables = self._extract_tables(response['Blocks'], blocks)

        # Весь текст
        lines = [b['Text'] for b in response['Blocks']
                 if b['BlockType'] == 'LINE']

        return {
            'text': '\n'.join(lines),
            'forms': forms,
            'tables': tables
        }

Базова інтеграція через Boto3

def extract_id_document(self, image_path: str) -> dict:
    """Спеціалізоване вилучення з посвідчень особи"""
    with open(image_path, 'rb') as f:
        response = self.client.analyze_id(
            DocumentPages=[{'Bytes': f.read()}]
        )

    result = {}
    for doc in response['IdentityDocuments']:
        for field in doc['IdentityDocumentFields']:
            field_type = field['Type']['Text']
            field_value = field['ValueDetection']['Text']
            confidence = field['ValueDetection']['Confidence']
            result[field_type] = {
                'value': field_value,
                'confidence': confidence
            }

    return result

# Приклад результату:
# {
#   'FIRST_NAME': {'value': 'John', 'confidence': 99.5},
#   'LAST_NAME': {'value': 'Doe', 'confidence': 99.2},
#   'DATE_OF_BIRTH': {'value': '01/15/1990', 'confidence': 98.7},
#   'DOCUMENT_NUMBER': {'value': 'A12345678', 'confidence': 99.8}
# }

Вилучаємо кастомні поля з Textract Queries

response = self.client.analyze_document(
    Document={'Bytes': content},
    FeatureTypes=['QUERIES'],
    QueriesConfig={
        'Queries': [
            {'Text': 'Яка сума до оплати?', 'Alias': 'total_due'},
            {'Text': 'Який номер рахунку?', 'Alias': 'invoice_number'},
            {'Text': 'Хто є постачальником?', 'Alias': 'vendor'}
        ]
    }
)

Queries працюють природною мовою — не потрібно писати регулярні вирази під кожен шаблон.

Порівняння Textract з класичним Tesseract

Для оцінки вашого кейсу та точного розрахунку економії зв'яжіться з нами — ми проведемо безкоштовний аналіз ваших документів.

Процес інтеграції під ключ

1. Аналіз — розбираємо типові документи, виділяємо поля та зв'язки.
2. Проектування — будуємо serverless pipeline з S3, Lambda, DynamoDB.
3. Реалізація — пишемо код інтеграції з Boto3 та підтримкою Queries.
4. Інтеграція — підключаємо до вашої ERP або CRM через REST API.
5. Тестування — прогоняємо 100+ документів, досягаємо точності >98%.

Що входить в роботу

• Повна документація pipeline (IAM, S3, Lambda, DynamoDB).
• Управління IAM-ролями та політиками безпеки.
• Навчання вашої команди роботі з результатами Textract.
• Підтримка протягом місяця після запуску.
• Гарантуємо точність 98%+ на ваших даних.

Строки та вартість

Базова інтеграція з вилученням тексту — 3–5 днів. Якщо потрібні форми, таблиці та Queries — 2–3 тижні. Точну оцінку даємо після аналізу 10–20 ваших документів. Ми сертифіковані AWS і маємо 5+ років досвіду в документообігу — гарантуємо, що Textract покаже точність 98%+ на ваших даних. Окупність впровадження зазвичай настає за 3–6 місяців за рахунок скорочення ручної праці на 80%, що дає значну економію коштів.

Зв'яжіться з нами для безкоштовного Demo: оцінимо ваш кейс і запропонуємо оптимальне рішення. Отримайте консультацію вже сьогодні.

Як distribution shift вбиває метрики CV-моделі в промисловості

На виробництві ставлять камеру, контролюють якість продукції. Модель навчена на 10 000 розмічених зображень — точність на тесті mAP 0.84. Запускають у продакшен — і в перший же тиждень пропускають 30% дефектів. Освітлення на лінії змінюється по змінах, distribution shift обнуляє метрики. Це класична історія з Computer Vision у промисловості, де розпізнавання образів дає збій без правильної обробки дрейфу.

Наші інженери з досвідом 60+ проектів з комп'ютерного зору знають, як виключити такі сценарії. Гарантуємо стабільну роботу моделі в реальних умовах.

Які архітектури детекції об'єктів обрати: YOLO, RT‑DETR чи інші?

YOLO — стандарт для real‑time детекції. YOLOv8 та YOLOv11 від Ultralytics — найбільш використовувані версії у виробництві: простий API, активна спільнота, вбудована валідація та експорт в ONNX/TensorRT. Для задач з високими вимогами до точності та коли latency менш критична — RT‑DETR, transformer‑based архітектура без NMS, дає кращий mAP на COCO при порівнянній швидкості з YOLOv8l.

Типова помилка при навчанні детектора: датасет 8000 зображень, 3 класи, fine‑tune YOLOv8m — F1 0.73 на валідації. Дивимося confusion matrix — один клас майже ніколи не детектується. Причина: дисбаланс 1:23. Рішення: oversampling рідкісного класу, focal loss для objectness, аугментації (Mosaic, MixUp вимкнути для рідкісного класу — вони його «розмивають»). Transfer learning обов'язковий: передтреновані на COCO ваги скорочують потребу в даних у 10 разів. Fine‑tune на 500–2000 доменних зображеннях дає робочу модель за 1–2 дні на одній GPU.

Для edge deployment: експорт в ONNX → TensorRT engine. YOLOv8n в TensorRT FP16 на Jetson AGX Orin дає 150+ FPS при P99 latency < 8 ms — це в 3 рази швидше, ніж ONNX Runtime без TensorRT. На сервері A10G: 700+ FPS для YOLOv8n в TensorRT INT8.

Як fine‑tuning YOLO допомагає в розпізнаванні образів?

Припустимо, потрібно знаходити мікродефекти на поверхні металу — задача з високою роздільною здатністю та перекосом класів. Використовуємо YOLOv8m, передтренований на COCO (документація Ultralytics), і донавчаємо на 2000 власних зображень. Застосовуємо аугментації Mosaic, MixUp, random perspective. Після 200 епох mAP 0.5 досягає 0.93. Ключові прийоми:

• focal loss для objectness голови — зменшує внесок легко класифікованих прикладів.
• class‑balanced sampling — вирівнює представництво рідкісних класів.
• Test Time Augmentation (TTA) — підвищує recall на 5–7% за рахунок усереднення по фліпах та масштабах.

Отримайте консультацію з підбору архітектури для вашого завдання — зв'яжіться з нами.

Які архітектури сегментації обрати: SAM, Mask R‑CNN чи інші?

SAM (Segment Anything Model) від Meta змінив підхід до сегментації. SAM 2 працює з відео, підтримує трекінг об'єктів через кадри — для інтерактивного виділення об'єкта по точці або bbox це найкращий вибір з коробки. Для production instance segmentation без інтерактивного промпту — Mask R‑CNN або YOLOv8‑seg. YOLOv8‑seg навчається як звичайний детектор з додатковими масками, зручний у тих же пайплайнах. Семантична сегментація (кожен піксель — клас) — SegFormer, DeepLabV3+. SegFormer‑B5 дає хороший баланс точності та швидкості для аналізу супутникових знімків або медичної сегментації.

Кейс: сегментація клітин на мікроскопічних зображеннях. Датасет 400 зображень з ручною розміткою. Навчання Mask R‑CNN на ResNet‑50 backbone дало IoU 0.61 — погано. Проблема: об'єкти (клітини) перекриваються, стандартний NMS вбиває перекриваючі передбачення. Рішення: перехід на cellpose (спеціалізована архітектура для біомедичних задач) + soft‑NMS. IoU зріс до 0.79.

Коли Tesseract не справляється з OCR?

Tesseract — відправна точка для простих задач: друкований текст, хороше освітлення, рівне розташування. Як тільки з'являються рукописні елементи, нестандартні шрифти, перспективні спотворення або багатоколоночний макет — Tesseract деградує швидко.

PaddleOCR — production‑grade рішення: виявлення текстових блоків + розпізнавання + структурний аналіз. Працює з коробки для 80+ мов, включаючи українську. Підтримує таблиці та документи зі складною структурою. Wikipedia: Оптичне розпізнавання символів. TrOCR (Microsoft) — трансформерний OCR з сильними результатами на рукописному тексті. Для українського рукописного тексту потрібен fine‑tuning: базова модель навчена переважно на латиниці.

Що робити, якщо Tesseract не справляється з розпізнаванням образів на документах?

Для задач «витягни дані з рахунку / договору / паспорта» використовуємо LayoutLMv3 або Donut — ці моделі розуміють layout документа, а не тільки текст. Інтеграція через Hugging Face Transformers, fine‑tuning на 200–500 розмічених документах. Типовий pipeline:

1. Preprocessing: deskew, denoising, binarization через OpenCV.
2. Виявлення текстових блоків: PaddleOCR detection або CRAFT.
3. Розпізнавання: PaddleOCR recognition або TrOCR.
4. Post‑processing: нормалізація, валідація через regex або LLM для структурованих полів.

Для документів з фіксованою структурою template matching + OCR точково по координатах часто надійніше за end‑to‑end рішення.

Face Recognition: ідентифікація та верифікація

Face recognition = detection + alignment + embedding + matching. Кожен етап важливий.

Detection: RetinaFace або InsightFace для точної локалізації обличчя та ключових точок. MTCNN — старіше, але надійне рішення. Embedding: ArcFace (InsightFace) — state‑of‑the‑art для face recognition embeddings. Моделі iresnet50/iresnet100 передтреновані на MS1MV3 (5M ідентичностей). Ембеддинг‑вектор 512 float32, порівняння за cosine similarity. Threshold tuning: поріг рішення — критичний параметр. При threshold 0.6 типовий FPR на LFW benchmark — 0.001, TPR — 0.985. У production threshold потрібно калібрувати під реальний distribution: люди в масках, зі зміненою зовнішністю, в різних умовах освітлення. Liveness detection обов'язковий: MiniFASNet — lightweight модель на CPU, FaceX‑Zoo містить кілька передтренованих liveness‑детекторів.

Відеоаналітика

Відео — послідовність кадрів плюс часовий вимір. Наївний підхід — детектувати на кожному кадрі — дорого.

Трекінг: ByteTrack та BoT‑SORT — стандарт для multi‑object tracking. Працюють поверх будь-якого детектора, додають persistent ID об'єктам між кадрами — це дає підрахунок об'єктів, трекі руху, velocity.

Оптимізація: не потрібно обробляти кожен кадр. Для статичних сцен детекція на кожному 5–10 кадрі, між ними — трекер. Для детекції подій (людина увійшла в зону) background subtraction (OpenCV MOG2) як lightweight pre‑filter перед нейромережевою детекцією. Action Recognition: SlowFast, VideoMAE для класифікації дій. Важкі моделі — для production використовуємо ONNX export + TensorRT або офлайн обробку.

Як виміряти якість моделі розпізнавання образів у продакшені?

Моніторинг якості — ключовий елемент MLOps. Відстежуємо:

• розподіл prediction confidence;
• частку low‑confidence передбачень (індикатор OOD‑даних);
• дрейф вхідних зображень через feature distribution (embeddings з backbone).

Падіння середньої confidence з 0.87 до 0.71 за тиждень — ранній сигнал про distribution shift. NVIDIA Triton Inference Server рекомендує відстежувати ці метрики через Prometheus. Наші сертифіковані інженери налаштовують моніторинг і гарантують SLA по якості інференсу.

Деплой CV‑моделей

Для онлайн інференсу використовуємо Triton Inference Server (NVIDIA) — production‑стандарт для serving CV‑моделей. Підтримує TensorRT, ONNX, PyTorch, dynamic batching, multiple instances. REST та gRPC API. Гарантуємо стабільну роботу під навантаженням.

Edge deployment: ONNX Runtime на ARM/x86 CPU. TensorFlow Lite для мобільних пристроїв. OpenVINO для Intel CPU/GPU/VPU — дає 2–3× приріст швидкості на Intel залізі порівняно з ONNX Runtime. Після деплою передаємо модель з документацією та навчаємо персонал.

Що входить в роботу

Терміни та вартість

Прототип детектора на існуючих даних — 1–2 тижні. Production‑система з оптимізацією під цільове залізо — 4–8 тижнів. Повний цикл включаючи розмітку даних (1000–5000 зображень) — 2–4 місяці. Вартість розраховується індивідуально під кожну задачу. Ми на ринку більше 5 років, реалізували 60+ проектів з комп'ютерного зору. Оцінимо ваш проект під ключ — замовте консультацію, щоб отримати розрахунок та технічну пропозицію.