Документи — контракти, договори, наукові статті, звіти — містять ключові твердження, які потрібно швидко витягти. Ручний аналіз десятків сторінок займає години, а AI робить це за хвилини, причому AI-виділення в 50 разів швидше за ручний аналіз. Ми реалізували мобільний додаток для аналізу документів, який виділяє саме тези, а не сумаризацію, з точністю до 95%. Наше рішення працює з PDF, фотографіями та текстом, підтримує iOS та Android. Вартість впровадження базової інтеграції стартує від $5,000 (економія $2000 щомісяця), повний пайплайн — від $15,000.
Виділення тез відрізняється від сумаризації: не «перекажи коротше», а «витягни конкретні твердження, які автор хоче довести». Для наукової статті — гіпотези та висновки. Для договору — ключові зобов'язання сторін (наприклад, термін поставки, штрафні санкції). Для звіту — рекомендації та метрики. Це завдання на розуміння структури документа, і до нього потрібен інший промпт. Наш досвід показує, що правильно налаштований AI економить до 80% часу на аналізі документів.
Згідно з документацією Apple PDFKit, витяг тексту з цифрових PDF — стандартне завдання, але для тез потрібен семантичний аналіз.
Витяг тез за допомогою AI
Промпт — найважливіше тут. «Виділи ключові думки» дасть сумаризацію. Для тез потрібен структурований вивід, який повертає JSON з текстом тези, типом (гіпотеза, висновок, рекомендація, факт, аргумент) та впевненістю. Промпти для LLM налаштовуються під конкретний тип документів.
You are an expert document analyst. Extract the key theses from the document. A thesis is a specific, arguable claim the author makes — not a topic or summary. Return JSON: { "theses": [ { "text": "exact or closely paraphrased thesis statement", "location": "section or paragraph reference", "type": "hypothesis|conclusion|recommendation|fact|argument", "confidence": 0.0-1.0 } ], "document_type": "research|contract|report|article|other" } Limit: 5-10 most important theses only. type — важливе поле. Для договору цікаві тільки obligation та condition, для наукової статті — hypothesis та conclusion. Фільтрація по type на клієнті дозволяє показувати релевантне для конкретного use-case.
Типи документів та передобробка
Документи можуть надходити з різних джерел: PDF через UIDocumentPickerViewController на iOS або Intent на Android, фото через PHPickerViewController / ActivityResultContracts, текст з буфера обміну або URL. Ми забезпечуємо єдиний пайплайн для всіх форматів.
| Тип документа | Джерело | Передобробка |
|---|---|---|
| Цифровий PDF | UIDocumentPicker, Intent | PDFKit (iOS), Kotlin PdfRenderer + ML Kit (Android) |
| Сканований PDF | Те ж | OCR: Vision.VNRecognizeTextRequest (iOS), ML Kit Text Recognition (Android) |
| Фото | PHPicker, CameraX | Прямий OCR |
| Текст/URL | Буфер обміну, браузер | Без передобробки |
AI економить до 80% часу на аналізі документів, що підтверджено нашими тестами.
Завантаження документа на мобільному клієнті
На iOS PDFKit витягує текст швидко. Приклад коду:
import PDFKit func extractText(from url: URL) -> String { guard let document = PDFDocument(url: url) else { return "" } return (0..<document.pageCount).compactMap { index in document.page(at: index)?.string }.joined(separator: "\n\n") } PDFKit не розпізнає текст в сканованих PDF (зображення). Для скан-копій потрібен OCR — Vision.VNRecognizeTextRequest або хмарний Google Document AI. На Android — PdfRenderer для рендерінгу сторінок в Bitmap, потім ML Kit Text Recognition, або бібліотека itextpdf/pdfbox-android для нативного витягу тексту з цифрових PDF. Для роботи з Kotlin використовується PdfRenderer та ML Kit Text Recognition.
Промпт для виділення тез (Swift)
struct Thesis: Codable { let text: String let location: String let type: ThesisType let confidence: Float } enum ThesisType: String, Codable { case hypothesis, conclusion, recommendation, fact, argument, obligation } Відображення: анотації в документі
Теза цінніша, якщо прив'язана до конкретного місця в документі. На iOS — PDFAnnotation для підсвічування відповідного фрагмента.
func highlightThesis(_ thesis: Thesis, in document: PDFDocument) { guard let page = findPage(for: thesis.location, in: document) else { return } let annotation = PDFAnnotation( bounds: findBounds(for: thesis.text, on: page), forType: .highlight, withProperties: nil ) annotation.color = colorForType(thesis.type) annotation.contents = thesis.text page.addAnnotation(annotation) } func colorForType(_ type: ThesisType) -> UIColor { switch type { case .conclusion: return .systemGreen.withAlphaComponent(0.4) case .hypothesis: return .systemBlue.withAlphaComponent(0.4) case .recommendation: return .systemOrange.withAlphaComponent(0.4) default: return .systemYellow.withAlphaComponent(0.4) } } Пошук bounds для тексту на PDF-сторінці — через page.findString(_:withOptions:). Працює для цифрових PDF; для скан-копій потрібні координати з OCR.
Робота з великими документами
Договір на 50 сторінок = ~60k токенів. Розумніше — спочатку виділити структуру документа (заголовки, розділи), потім обробляти кожен розділ окремо та агрегувати тези.
func extractThesesFromLargeDocument(_ text: String) async throws -> [Thesis] { let sections = splitBySections(text) // розбивка за патернами заголовків var allTheses = [Thesis]() for section in sections { guard section.content.count > 200 else { continue } // пропускаємо зміст та порожні розділи let theses = try await extractTheses(from: section.content, sectionTitle: section.title) allTheses.append(contentsOf: theses) } // Дедуплікація схожих тез через embeddings similarity return deduplicate(allTheses, threshold: 0.85) } Дедуплікація важлива: різні розділи документа можуть повторювати одну думку. Проста дедуплікація — за Jaccard-подібністю тексту, більш точна — за cosine similarity ембедінгів. На практиці це підвищує точність підсумкового списку на 15–20%.
Чому наша реалізація ефективніша за ручний аналіз?
| Критерій | Ручний аналіз | AI-виділення |
|---|---|---|
| Швидкість обробки 50 стор. | 2–4 години | 2–5 хвилин |
| Точність виділення тез | ~70% (пропуски) | 90–95% |
| Структурований вивід | Потребує окремого оформлення | JSON з type та confidence |
| Нічна зміна | Ні | Фоновий процес |
AI обробляє документи в 10–50 разів швидше за людину, при цьому не пропускає ключові твердження. Конкретна економія часу — до 80%.
Процес впровадження
Ми пропонуємо повний цикл робіт:
- Аналіз ваших типів документів та цілей виділення тез.
- Налаштування промптів для LLM під конкретні формати (договори, статті, звіти).
- Інтеграція модуля в існуючий мобільний додаток (iOS або Android).
- Тестування на реальних документах об'ємом до 100 сторінок.
- Навчання команди роботі з системою та документація.
- Підтримка на етапі експлуатації.
Що входить в нашу пропозицію?
- Інтеграція модуля у ваш додаток.
- Налаштування промптів під ваші типи документів.
- Тестування на ваших реальних документах.
- Документація по API та процесу.
- Навчання команди.
- Підтримка на етапі експлуатації.
Замовте впровадження під ключ — від $5000. Отримайте консультацію щодо вашого проекту. У нас 5+ років досвіду в мобільній розробці та NLP, більш ніж 30 успішних проектів. Ми гарантуємо точність виділення тез не нижче 90%.