Розробка Document AI для обробки документів

Ваші оператори витрачають години на введення рахунків і накладних, а помилки все одно проскакують? Ми стикалися з цим у десятків клієнтів і знаємо, як це виправити. На обробку 1000 рахунків іде до 80 годин роботи операторів, що обходиться в тисячі доларів щомісяця. За час нашої практики ми розробили десятки рішень для інтелектуальної обробки документів (IDP) для банків, логістики та ритейлу. Розповім, як будуються такі системи і яких результатів можна досягти.

Document AI обробляє документи в десятки разів швидше за людину, а економія на обробці одного документа сягає 95% порівняно з ручним введенням. Для клієнта з обсягом 2000 документів на місяць це означає економію від 2 до 5 мільйонів рублів на рік. Порівняємо ручну обробку та Document AI:

Як Document AI економить до 95% часу на обробку?

Платформа складається з декількох шарів, кожен з яких вирішує своє підзавдання. Типовий pipeline:

[Вхідний документ: PDF, DOCX, JPG, TXT]
    → [Document Intake Service]
         ├── Визначення типу (PDF/скан/текстовий)
         └── Маршрутизація

    → [Pre-processing]
         ├── OCR (якщо скан): Tesseract / Azure DI / Google Document AI
         ├── Вилучення таблиць: Camelot / pdfplumber / Table Transformer
         └── Layout Analysis: розташування елементів сторінки

    → [AI Processing Pipeline]
         ├── Класифікація типу документа
         ├── Вилучення структурованих даних
         ├── Валідація вилучених даних
         └── Генерація суммарі / аналітики

    → [Output]
         ├── JSON з вилученими даними
         ├── Структурований запис у БД
         └── Сповіщення / інтеграції

Процес побудови такої системи включає п'ять етапів:

1. Збір та розмітка репрезентативної вибірки документів (100–200 штук).
2. Вибір та налаштування OCR + попередня обробка зображень.
3. Навчання моделей класифікації та вилучення полів.
4. Інтеграція з ERP через REST API або прямі конектори.
5. Запуск моніторингу та цикл донавчання в міру надходження нових типів.

Чому preprocessing — критичний етап?

Якість OCR та layout analysis безпосередньо визначає точність подальшого вилучення. Для сканiв низької роздільної здатності доводиться застосовувати згорткові мережі (Table Transformer) для виявлення таблиць. В одному з проектів для ритейлу ми боролися з накладними, надрукованими на термопапері — довелося донавчати модель на синтетичних даних, що імітують вицвітання. Використання сучасних OCR-движків, таких як Azure Document Intelligence, дозволяє підвищити точність вилучення до 99% на якісних сканах, але для складних випадків потрібна кастомна попередня обробка.

Типи документів, що обробляються

Система обробляє різні типи документів. Підходи відрізняються:

• Структуровані (рахунки, накладні, податкові форми): детерміновані формати, вилучення полів з високою точністю.
• Напівструктуровані (договори, анкети, заяви): варіативна структура, потребує розуміння контексту.
• Неструктуровані (листи, звіти, медичні записи): вільний текст, NLP-обробка.
• Зображення та скани: попередній OCR, потім NLP-обробка.

Технічна реалізація

Вилучення даних зі структурованих документів

Для стандартизованих форм (СФ, УПД, накладні у форматі ФНС XML) — детермінований парсинг через XPath, без ML:

from lxml import etree

def parse_upd(xml_path: str) -> InvoiceData:
    tree = etree.parse(xml_path)
    root = tree.getroot()
    ns = {"n": "urn:NDS"}

    return InvoiceData(
        seller_inn=root.findtext(".//n:СвПродавца/n:ИдСв/n:СвЮЛ/@ИННЮЛ", namespaces=ns),
        invoice_number=root.findtext(".//n:Документ/n:НомерДок", namespaces=ns),
        total_amount=float(root.findtext(".//n:ВсегоОпл", namespaces=ns) or 0),
    )

ML потрібен лише для нестандартних форматів.

IDP для сканiв: стек та приклади

from azure.ai.documentintelligence import DocumentIntelligenceClient
from azure.core.credentials import AzureKeyCredential

client = DocumentIntelligenceClient(endpoint, AzureKeyCredential(key))

# Аналіз рахунку
with open("invoice.jpg", "rb") as f:
    poller = client.begin_analyze_document(
        model_id="prebuilt-invoice",
        body=f.read(),
        content_type="application/octet-stream"
    )
result = poller.result()

# Доступ до полів
invoice = result.documents[0]
vendor_name = invoice.fields.get("VendorName")
total_amount = invoice.fields.get("InvoiceTotal")

Альтернативи: Google Document AI, AWS Textract, PaddleOCR + LLM extraction для on-premise. Детальніше про OCR.

Класифікація та валідація даних

Multi-class класифікатор на основі:

• Текстового вмісту (TF-IDF / BERT embeddings)
• Структурних ознак (наявність таблиць, кількість сторінок, розділи)
• Метаданих (ім'я файлу, джерело)

Типова точність: 96–99% для чітких типів (СФ vs договір vs акт), 88–94% для схожих типів.

Кожне вилучене поле супроводжується confidence score. При низькому confidence (< 0.8) — флаг для ручної перевірки. Cross-validation: суми прописом і цифрами збігаються? ІНН проходить checksum? Дата логічна? Straight-Through Processing rate для високоякісних структурованих документів сягає 85–95%. Економія часу та грошей: автоматизація повернення інвестицій за 6–12 місяців для середнього бізнесу. Багато клієнтів окупають впровадження за 8–10 місяців.

Результат та пілот

Що входить у готове рішення

• API з ендпоінтами для завантаження, обробки та отримання даних
• Модуль OCR з підтримкою Tesseract, Azure DI або Google DI
• Класифікатор типів документів (донавчувана модель)
• Вилучення полів з confidence score
• Валідація та логування
• Веб-інтерфейс для ручного коригування та моніторингу
• Інтеграція з 1С, SAP або іншою ERP (REST/SOAP/файловий обмін)
• Документація та інструкція з експлуатації
• Навчання операторів (2 дні)
• Гарантія на pipeline протягом 6 місяців

Строки впровадження

Місяць 1: OCR pipeline, класифікатор типів документів, базове вилучення

Місяць 2–3: Обробка пріоритетних типів документів, валідація, інтеграції з ERP/ECM

Місяць 4: Семантичний пошук, UI для ручного коригування, аналітика

Місяць 5–6: Production hardening, масштабування, моніторинг якості

Як запустити пілот?

Пілотний проект починається зі збору вибірки з 100–200 типових документів (скани, PDF, XML). За 1–2 дні ми оцінюємо архітектуру та точність вилучення, готуємо попередній кошторисний розрахунок. Після узгодження запускається повний pipeline — від OCR до інтеграції. Перші результати видні через 2–3 місяці. Потім доопрацьовуємо всі типи документів, підключаємо ERP, навчаємо операторів.

Замовте пілотний проект для оцінки ефективності на ваших документах. Зв'яжіться з нами — ми підготуємо попередню архітектуру за 1–2 дні та оцінимо проект. Отримайте консультацію щодо інтеграції Document AI у вашу інфраструктуру.

NLP розробка: чому accuracy не підходить для рідкісних класів?

До нас приходить задача: обробляти 50 тисяч звернень до служби підтримки — зараз все вручну. Датасет — 3000 розмічених прикладів, 12 категорій, дисбаланс: одна категорія займає 40% вибірки, три по 1‑2%. Baseline accuracy — 78%. Звучить непогано, поки не дивишся на recall по рідкісних класах: 0.31, 0.44, 0.28. Саме ці класи — скарги та загрози відтоку — найважливіші для бізнесу.

Це типовий проект NLP розробки. Проблема не в алгоритмі, а в тому, що accuracy — не та метрика. Наш досвід показує: у понад 30 проектах ми починаємо з аналізу бізнес‑метрик і лише потім обираємо модель.

Чому accuracy — не та метрика для рідкісних класів?

Accuracy ігнорує дисбаланс. Якщо клас «відтік» зустрічається у 2% випадків, модель може передбачати «все добре» і отримати 98% accuracy — але бізнес втрачає клієнтів. Рішення: F1 macro (усереднення за всіма класами) або weighted F1. Для NER — strict entity F1 (лише точні збіги). Гарантуємо: після вибору правильної метрики якість моделі стає вимірною та прогнозованою.

Класифікація тексту: від BERT до дистиляції

BERT-подібні моделі — стандарт для класифікації. ruBERT-base або ruBERT-large від DeepPavlov для російської мови. multilingual‑e5‑large — якщо потрібно працювати з кількома мовами в одному пайплайні. XLM‑RoBERTa‑large — сильний multilingual backbone.

Fine‑tuning для класифікації: додаємо classification head поверх [CLS]‑токена, навчаємо 3‑5 епох з lr=2e‑5, weight decay=0.01. При дисбалансі — weighted CrossEntropyLoss або focal loss з gamma=2.0. Пишіть — покажемо code snippet.

Кейс з дисбалансом. Датасет — 3000 прикладів, дисбаланс 1:20. Рішення: class_weight через sklearn + CrossEntropyLoss. Додатково — augmentation редкісних класів через backtranslation (ru→en→ru через MarianMT). Recall по рідкісних класах виріс з 0.31 до 0.67 при незначному падінні accuracy (76%→74%). Повна NLP розробка під ключ зайняла 3 тижні.

Дистиляція для production. BERT‑large дає F1 0.89, але inference на CPU — 180ms. Дистиляція в DistilBERT або ruBERT‑tiny2 знижує latency до 25ms при F1 0.84. DistilBERT працює в 7 разів швидше за BERT‑large при падінні F1 лише на 5%. Експорт в ONNX Runtime з int8 quantization дає додатковий 1.5‑2x. Оцінимо проект — розрахуємо економію на інфраструктурі.

Як вибрати модель класифікації під ваш датасет?

Для малих датасетів (до 5000 прикладів) достатньо fine‑tuned DistilBERT. Якщо потрібна багатомовність — XLM‑RoBERTa. При жорстких обмеженнях latency — дистильована модель з ONNX Runtime. Ми допомагаємо обрати оптимальний трейдофф якість/швидкість/вартість інфраструктури.

NER: розпізнавання іменованих сутностей

NER — вилучення персон, організацій, локацій, дат, сум, номерів документів. Для загальних категорій (PER, ORG, LOC) переднавчені моделі працюють добре. Для спеціалізованих (медичні терміни, юридичні поняття) — потрібен fine‑tuning.

Розмітка даних. Основна вартість NER‑проекту. Для якісної моделі — 500‑2000 розмічених речень на кожен тип сутності. Інструменти: Label Studio (open source) або Prodigy (від творців spaCy). Формат IOB2 — стандарт.

Архітектура. Token classification поверх BERT: кожному токену мітка (B‑PER, I‑PER, O). spaCy 3.x з transformer pipeline — зручний production‑вибір.

Вкладені сутності. Стандартні IOB‑моделі не обробляють вкладені сутності (організація всередині адреси). Для таких задач — span‑based NER: SpanBERT або SpERT. Складніше, але правильно.

Постобробка обов’язкова. Модель передбачає токени — потрібні нормалізовані сутності. Дата — dateparser. Суми — regex + валідація. Імена — дедуплікація через rapidfuzz. Входить у нашу стандартну поставку.

Sentiment Analysis та opinion mining

Бінарна класифікація positive/negative працює з BERT з коробки. Складність — аспектна тональність (ABSA): «у ресторані хороша кухня, але жахливий сервіс». Для ABSA: aspect extraction (NER) + sentiment за кожним аспектом. Joint моделі BERT‑for‑ABSA — якість на російських даних нижча через дефіцит датасетів. RuSentiment, SentiRuEval — основні ресурси.

Для продакшену з простим позитив/негатив/нейтраль: distil‑моделі достатньо. Три класи, balanced датасет, 2000+ прикладів — F1 macro 0.82‑0.87 за 1‑2 дні.

Сумарізація тексту

Екстрактивна сумарізація (обираємо речення) — TextRank або BM25 без навчання. Швидко, не галюцинує. Добре для довгих документів.

Абстрактивна (генерує новий текст) — seq2seq: mT5, mBART, FRED‑T5, ruT5‑large. Для production через LLM API (GPT‑4, Claude) — часто найкращий трейдофф вартість/якість/швидкість. Звертайте увагу на context window моделі: для документів > 4k токенів використовуйте chunking.

Ембеддинги: векторні представлення тексту

Ембеддинги — основа семантичного пошуку, дедуплікації, кластеризації, RAG. Якість критично впливає на downstream задачі.

Моделі. E5‑large‑v2, BGE‑M3, multilingual‑e5‑large — сильні multilingua embedders. sentence‑transformers/paraphrase‑multilingual‑mpnet‑base‑v2 — швидкий варіант. Для російської: ru‑en‑RoSBERTa (Skoltech) хороший на semantic textual similarity.

Як оцінити якість ембеддингів? MTEB benchmark — стандарт. Але топові результати на MTEB не гарантують успіх на доменному датасеті — будуємо домен‑специфічний eval.

Fine‑tuning ембеддингів. Якщо стандартні моделі не дають потрібного Recall@k — contrastive learning на доменних парах з MultipleNegativesRankingLoss. 500‑2000 пар, 1‑3 епохи — 5‑15% приріст Recall@k.

Розмірність та зберігання. E5‑large: 1024 dim, float32 — 4KB на вектор. При 10M документів — 40GB. INT8 quantization знижує до 10GB. FAISS IVF_PQ — ще компактніше, але з втратами. Входить у наші рекомендації по деплою.

Вилучення інформації

Структуроване вилучення — одна з частих задач. Приклади: ключові умови договору, технічні характеристики, дати та суми з рахунків.

1. Regex + rule-based. Для ІПН, ЄДРПОУ, сум, дат — надійніше нейромережі. Не потребує даних.
2. NER + постобробка. Для варіативних форматів.
3. LLM з structured output. GPT‑4 / Claude з JSON schema — для складних документів. Вартість: залежить від обсягу документів. Для 10k+ документів/день — рахуємо економіку.

Гарантуємо гібрид: regex/NER для типових полів + LLM для edge cases. Сертифікат довіри: 5 років на ринку, >30 проектів.

Етапи роботи

Прототип на існуючих даних — 1‑3 тижні. Production‑система з CI/CD — 1.5‑2.5 місяця. Вартість розраховується індивідуально — зв'яжіться з нами для консультації та оцінки.

Що входить у роботу

• Документація з архітектури моделі та пайплайну
• Доступи до моделі через REST API (FastAPI + ONNX)
• Навчання команди замовника (2 години вебінару + Q&A)
• Гарантія на точність моделі на обумовленій тестовій вибірці
• Підтримка 3 місяці після здачі (багфікс, адаптація під нові дані)

Наш досвід

Понад 5 років у NLP, 30+ проектів від класифікації до RAG‑систем. Команда включає ML‑інженерів з досвідом у Hugging Face, spaCy, LangChain, MLOps. Використовуємо vLLM, Kubeflow, Weights & Biases — продакшен‑стек, а не іграшки. Замовте консультацію — оцінимо проект за 2 дні.