Document AI: вилучення структурованих даних зі скан-копій

Сотні накладних, інвойсів та договорів щоденно надходять у вигляді скан-копій. Ручне введення — вузьке горло, помилки неминучі. Втрати часу та бюджету зростають. Ми вирішуємо це за допомогою Document AI — автоматичного вилучення структурованих даних. Наш підхід дає F1 до 96% на складних полях і скорочує час обробки в 10–20 разів. На відміну від класичного OCR, який видає лише плоский текст, Document AI розуміє семантику та візуальне розташування елементів. Модель знає, що 12 345.00 справа від Total — підсумкова сума, а не випадкове число. Це ключовий елемент автоматизації документообігу, де машинне навчання дозволяє позбутися рутини.

Якість вилучення безпосередньо залежить від розмітки та архітектури моделі. Ми використовуємо LayoutLMv3 — State-of-the-Art для документів з довільним шаблоном. Нижче розберемо ключові проблеми та їх вирішення.

Як Document AI вилучає структуровані дані?

Стек: PyTorch, Hugging Face Transformers, LayoutLMv3, Tesseract для OCR. Для кожного типу документів навчаємо окрему модель з BIO-розміткою сутностей (NER).

from transformers import LayoutLMv3Processor, LayoutLMv3ForTokenClassification
from PIL import Image
import torch

class DocumentFieldExtractor:
    def __init__(self, model_path: str, labels: list[str]):
        self.processor = LayoutLMv3Processor.from_pretrained(model_path)
        self.model = LayoutLMv3ForTokenClassification.from_pretrained(
            model_path,
            num_labels=len(labels) * 2 + 1  # BIO tagging
        )
        self.labels = labels
        self.model.eval()

    @torch.no_grad()
    def extract(self, image_path: str) -> dict:
        image = Image.open(image_path).convert('RGB')
        encoding = self.processor(
            image,
            return_tensors='pt',
            truncation=True,
            padding='max_length',
            max_length=512
        )
        outputs = self.model(**encoding)
        predictions = outputs.logits.argmax(-1).squeeze().tolist()
        return self._decode_entities(encoding, predictions)

Розмітка даних ведеться в Label Studio з підтримкою Document AI — розмітник виділяє області на скан-копії та призначає тип поля. Мінімум 200–500 розмічених документів для базової якості.

Fine-tuning виконується стандартним Trainer з Hugging Face:

from transformers import TrainingArguments, Trainer
from datasets import load_dataset

training_args = TrainingArguments(
    output_dir='./invoice_extractor',
    num_train_epochs=20,
    per_device_train_batch_size=2,
    per_device_eval_batch_size=2,
    learning_rate=5e-5,
    warmup_steps=100,
    weight_decay=0.01,
    fp16=True,
    evaluation_strategy='epoch',
    save_strategy='best',
    metric_for_best_model='f1'
)

trainer = Trainer(
    model=model,
    args=training_args,
    train_dataset=train_dataset,
    eval_dataset=eval_dataset,
    compute_metrics=compute_ner_metrics
)
trainer.train()

Які проблеми вирішує Document AI?

• Нестандартні шаблони — різні постачальники оформлюють інвойси по-своєму. LayoutLMv3 стійкий до варіацій, якщо навчати на репрезентативній вибірці.
• Низька якість скан-копій — перекоси, шум, погане освітлення. Попередня обробка (deskew, denoise) + дані з аугментаціями підвищують робастність.
• Змішані типи документів — в одному потоці можуть бути і накладні, і договори. Ми навчаємо мультитипові моделі або класифікатор перед екстракцією.
• Валідація вилучених даних — контрольні суми, формати дат, довідники. Постобробка з бізнес-правилами відсіює помилки.

Чому LayoutLMv3 краще за класичний OCR?

Класичний OCR (Tesseract, Abbyy) видає лише текст та координати. Document AI на основі LayoutLMv3 додатково розуміє семантику: модель знає, що рядок "ІПН 7701234567" — це ІПН, а не номер рахунку. Як показано в роботі LayoutLMv3: Pre-training for Document AI with Unified Text and Image Masking, на датасеті CORD LayoutLMv3 досягає F1 95.5%, тоді як OCR+регулярки — близько 70–80%. LayoutLMv3 працює в 5–10 разів точніше при вилученні складних полів, особливо дат і сум.

Типові помилки при впровадженні екстрактора інвойсів

• Замало розмічених даних — менше 200 скан-копій на тип, що призводить до перенавчання.
• Однотипні шаблони у вибірці — модель не бачить варіацій і помиляється на нових форматах.
• Ігнорування аугментацій — без поворотів і шуму модель падає на реальних скан-копіях.
• Відсутність постобробки — дати в різних форматах, суми без роздільників — модель видає сирі токени, а не нормалізовані значення.

Що входить в роботу?

• Індивідуальна модель — донавчений LayoutLMv3 під ваш тип документів.
• API-контейнер — Docker-образ з REST API та прикладами запитів.
• Документація — опис роботи моделі, інструкції з інтеграції.
• Навчання співробітників — вебінар з розмітки даних та використання екстрактора.
• Підтримка — 3 місяці моніторингу якості та донавчань при необхідності.

Отримайте консультацію щодо вашого проєкту — оцінка безкоштовно.

Вимоги до даних: для розмітки достатньо скан-копій у форматах PDF, JPG, PNG. Роздільна здатність не менше 150 DPI. Бажано, щоб шаблони були однотипними, але модель адаптується до варіацій при достатній кількості прикладів (від 200).

Покроковий процес впровадження

1. Збір та розмітка даних — виділяємо 200–500 скан-копій вашого типу, розмічаємо поля через Label Studio.
2. Fine-tuning моделі — налаштовуємо LayoutLMv3 під вашу розмітку, оптимізуємо гіперпараметри.
3. Постобробка — додаємо правила валідації (формати, контрольні суми).
4. Упаковка в API — модель у Docker-контейнері з REST ендпоінтами.
5. Інтеграція та тестування — підключаємо до вашої системи, перевіряємо на відкладеній вибірці.
6. Моніторинг та підтримка — відстежуємо якість, при необхідності донавчаємо.

Терміни: один тип документа з розміченою вибіркою займає 4–6 тижнів, для 3–5 типів — 8–12 тижнів, універсальний екстрактор — до 18 тижнів.

Наші компетенції та гарантії

Ми — команда ML-інженерів з 7+ роками досвіду в Computer Vision та NLP. Реалізували понад 30 проєктів з Document AI для банків, логістики та рітейлу. Маємо сертифікований досвід роботи з Hugging Face та NVIDIA.

Гарантуємо точність на вашому типі документів: якщо F1 нижче обумовленого порогу на тестовій вибірці — доопрацьовуємо модель безкоштовно. Впровадження включає моніторинг та можливість донавчання протягом 3 місяців.

Замовте пілотний проєкт — оцініть результат на ваших даних. Якщо ви хочете автоматизувати документообіг, зв'яжіться з нами для консультації та оцінки проєкту.

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.