Нейросеть для обработки документов: пять задач, метод под каждый формат файла и замер на вашей выборке

Нейросеть для обработки документов решает не одну задачу, а пять: определяет тип документа, достаёт поля, сверяет с другим документом, пишет краткое содержание и отвечает на вопросы по тексту. Для каждой задачи и каждого формата файла (скан, фото, PDF с текстом, Word, письмо) метод свой, качество считается отдельно. Разрабатываем такой разбор на заказ в вашем контуре и принимаем его по замеру на ваших документах, а не на чужих образцах.

От 200 000 ₽: обследование и замер за 2–3 неделиЗамер на 50–100 ваших документах до пилотаМодели в вашем контуре, код в вашем репозитории

С чем приходят

Почему «загрузить файлы в нейросеть» не даёт результата

Нейросеть для обработки документов уверенно читает одни файлы и путает другие, а слово «обработка» у разных людей значит разное. Вот с чего начинаются разговоры.

Пробовали чат с вложением

Договор загрузили, получили гладкий пересказ. Что в нём верно, а что додумано, понять нельзя: страниц нет, а повторный запрос даёт другой текст.

Скан не похож на Word

Тот же текст в Word читается без ошибок, а на фото из мессенджера сумма превращается в соседнюю цифру. Модель получает не файл, а то, что из него извлекли.

Нет эталона для сравнения

Подрядчик показал демонстрацию на своих образцах. На ваших документах результат другой, а как его измерить заранее, не договорились.

Пять задач

Нейросеть для обработки документов: пять задач и у каждой своя проверка

Заготовка для разбора ваших процессов. Строки у вас будут другими, вопросы остаются теми же.

Задача
Что на выходе
Как измеряем
Что остаётся человеку
ЗадачаКлассификациякакой это документ
Что на выходеТип или «тип не определён»
Как измеряемДоля верных типов по каждому типу; путаница близких, например счёта и счёта-фактуры
Что остаётся человекуНеизвестный тип и низкая уверенность
ЗадачаИзвлечение полейреквизиты, суммы, даты, строки
Что на выходеПоле, значение, страница и место на ней
Как измеряемВерность каждого поля отдельно; доля документов без единой правки
Что остаётся человекуПоля ниже порога и не прошедшие проверку кодом
ЗадачаСверкадокумент с документом или справочником
Что на выходеСовпадения и расхождения: что с чем и по какому правилу
Как измеряемНайденные расхождения против известных в выборке; ложные тревоги
Что остаётся человекуРешение по каждому расхождению
ЗадачаКраткое содержаниеизложение для чтения
Что на выходеТезисы со ссылками на разделы
Как измеряемВсе ли числа и даты есть в оригинале; не пропало ли важное, смотрит специалист
Что остаётся человекуРешения принимают по оригиналу
ЗадачаОтветы по документувопрос, ответ, ссылка
Что на выходеОтвет, цитата, страница или «не найдено»
Как измеряемДоля верных ответов с верной ссылкой; «не найдено» там, где ответ был
Что остаётся человекуОтвет без цитаты не показывается; спорное идёт специалисту
Формат и метод

Какой метод к какому файлу: скан, фото, PDF с текстом, Word, письмо

Первое решение зависит от вида файла. Чем больше структуры в файле, тем меньше нужна нейросеть.

Файл и типичная задача
Как получаем текст
Метод
Метрика и ручная проверка
Файл и типичная задачаСканполя и тип из счетов и актов
Как получаем текстРаспознавание страницы: слова, координаты, уверенность
МетодРаспознавание и языковая модель по схеме; типовые формы разбирают правила
Метрика и ручная проверкаВерность полей и цифр; вручную поля ниже порога и рукопись
Файл и типичная задачаФотонакладные и чеки с телефона
Как получаем текстВыпрямляем перспективу и свет, затем распознаём; плохой кадр получает отказ
МетодГибрид; мультимодальная модель на узкий круг страниц
Метрика и ручная проверкаОтдельная строка в замере; вручную размытые и обрезанные кадры
Файл и типичная задачаPDF с текстомполя и ответы по выгрузкам из программ
Как получаем текстТекст читается напрямую вместе с координатами
МетодПравила для реквизитов, языковая модель для свободных мест
Метрика и ручная проверкаПорядок чтения, склейка колонок; вручную спорные таблицы
Файл и типичная задачаWordответы и краткое содержание по договорам
Как получаем текстАбзацы, стили, таблицы, правки и комментарии читаются как структура
МетодЯзыковая модель без распознавания; правила для реквизитов
Метрика и ручная проверкаПравки и номера пунктов; вручную документы с непринятыми правками
Файл и типичная задачаПисьмоклассификация и маршрут вложений
Как получаем текстТело письма как текст, вложения по своему формату
МетодКлассификация по телу письма; вложения идут по строкам выше
Метрика и ручная проверкаВерная привязка вложения; вручную письма со ссылкой «см. выше»
Файл и типичная задачаExcelсверка и сопоставление названий
Как получаем текстЯчейки читаются как данные, нейросеть для чтения не нужна
МетодПравила и справочник; языковая модель для названий и комментариев
Метрика и ручная проверкаДоля сопоставленных названий; вручную неоднозначные
Путь файла

Что происходит с файлом: пять шагов, на каждом свой контроль

Автоматическая обработка документов идёт по одному пути, и нейросеть участвует не на каждом его шаге.

  1. Определить, что за файл. Есть ли у PDF текстовый слой, что внутри Word, не склеена ли пачка документов. От ответа зависит, нужна ли нейросеть для чтения вообще.
  2. Получить текст и его место на странице. Из Word и PDF с текстом он берётся напрямую, со сканов и фотографий его читает модель распознавания.
  3. Поставить языковой модели задачу. Список классов, схему полей или вопрос. Модель отвечает по предъявленному тексту, а не по памяти.
  4. Проверить ответ кодом. Арифметика, формат реквизитов, справочники, наличие цитаты в тексте. Модель способна уверенно написать то, чего в документе нет, поэтому проверки стоят снаружи.
  5. Показать с источником или передать человеку. Значение приходит со страницей и подсветкой, сомнительное достаётся оператору.

Устройство по форматам разобрано в статье «Как нейросеть работает с документами», выбор между распознаванием и языковой моделью описан в статье «OCR или LLM для документов». Ошибки на каждом шаге разные, поэтому качество считается по связкам «формат и задача», а не одним числом.

Где ошибается

Где нейросеть для обработки документов ошибается чаще всего

Нейросеть читает документы уверенно, пока они похожи на те, на которых её проверяли. Эти случаи кладём в выборку намеренно: после запуска они всплывают сами, но дороже.

Рукописные пометки

Печать читается заметно лучше почерка. Пометка «оплатить до пятницы» на полях теряется или превращается в другое слово, поэтому рукопись считаем отдельно и без оператора в учёт не отдаём.

Штампы поверх текста

Печать на сумме или дате закрывает символы, и модель достраивает вероятное значение. Такие поля сверяем с соседними и отправляем человеку.

Таблицы без границ и на нескольких страницах

Без линий колонки определяются по расстояниям между словами, и цена уезжает в соседний столбец; если таблица идёт на трёх страницах, заголовок остаётся на первой. Строка выглядит правдоподобно, поэтому ловим арифметикой: количество на цену равно сумме.

Исправления и незнакомые бланки

Зачёркнутая сумма рядом с новой, правка в Word с отслеживанием, бланк, которого не было в выборке. Какое значение действует, решает правило, а для нового типа у системы есть ответ «тип не определён» и очередь для таких файлов.

Выборка

Выборка из 50–100 документов: что в ней должно быть до пилота

Пилот начинается не с выбора модели, а с набора документов. Для первого замера достаточно 50–100 файлов: этого хватает, чтобы увидеть связки «формат и задача», где метод не годится, но мало для точной доли ошибок. Цифр заранее мы не обещаем.

Что должно попасть в выборку

  • Документы реальных потоков за разные месяцы, а не лучшие образцы из архива.
  • Каждый формат и каждая задача представлены не менее чем десятью файлами: при пяти связках это как раз 50 документов.
  • Неудобные случаи: фото с бликом, рукопись, печать поверх суммы, таблица без линий, редкий контрагент.
  • Несколько документов, где ответа нет вообще: так проверяется, что система скажет «не найдено», а не придумает.

Кто готовит эталон

Ваш сотрудник, который знает верное значение. Часть документов размечают двое независимо: если они расходятся, неясен критерий, и сначала правят его, а не модель. Треть выборки закрыта от разработчиков до замера. Как делится выборка, описано в статье «Как измерить точность распознавания документов».

Пример

Условный пример: входящая почта отдела закупок на 60 документах

Условный пример без реального клиента. В выборку вошли 60 документов: 20 сканов счетов и накладных, 15 фото накладных от водителей, 15 PDF из программ поставщиков и 10 файлов Word с приложениями к договорам. Задачи: определить тип, достать поля, сверить сумму с заказом, ответить на вопросы по приложениям.

Итог замера записывается не как «точность», а как решение по каждой связке. PDF с текстом: поля читаются без распознавания, проверки проходят, принимаем с выборочным контролем. Сканы: всё, что ниже порога по сумме и реквизитам, достаётся оператору. Фото: пока кадры снимают без правил, оператору уходит заметная часть, поэтому сначала вводим правило съёмки и отказ с просьбой переснять. Word: ответы по приложениям идут с цитатой и номером пункта.

Нагрузку оператора считают формулой: документов в день × доля, ушедшая оператору × минуты на проверку одного. Сравните с минутами, которые сейчас уходят на ручной ввод: если проверка занимает почти столько же, пилот нужно менять, а не расширять. Ставку часа не называем, подставляете свою.

Что делаем

Из чего состоит работа и сколько она стоит

Суммы те же, что на странице тарифов. До обследования точной цены нет: она появляется после замера на вашей выборке. Остановиться можно на любой ступени.

Обследование: один-два потока документов

Выборка из 50–100 документов, эталон, два-три метода без дообучения: записываем, какие связки «формат и задача» подходят. На выходе протокол замера, критерии приёмки, вилка бюджета. Если продолжаете с нами, сумма вычитается из первого этапа.

200 000 ₽ · 2–3 недели

Обследование: несколько источников и систем

Почта, сканер, мессенджер, папки и учётные системы вместе: схема обменов и замер по каждому источнику отдельно.

350 000 ₽ · 3–4 недели

Лёгкий пилот: одна связка «формат и задача»

Например, поля из PDF с текстом или ответы по документам Word: результат с цитатами, проверки кодом, простая очередь проверки, протокол на вашей выборке.

150 000–400 000 ₽ · 2–8 недель

Тяжёлый пилот: несколько связок и запись в систему

Сканы, фото, PDF и Word вместе, нарезка пачек, сверка со справочниками, очередь оператора, журнал правок, обмен с учётной системой.

400 000–1 200 000 ₽ · 2–3 месяца

Вывод в эксплуатацию

Опытная эксплуатация на живом потоке, обучение операторов, порядок добавления типов, передача моделей и инструкций. У каждого этапа своя приёмка.

от 1 500 000 ₽ этапами по 300 000–700 000 ₽ · от 3 месяцев

Сопровождение

Разбор спорных документов по журналу, правка схем и порогов, когда контрагенты меняют формы. Плановые доработки входят в пакет на 60 000 ₽; часы сверх пакета по 5 000 ₽.

20 000 / 60 000 / 120 000 ₽ в месяц
Процесс

Как идёт работа

Неделя 1 — Выборка и эталон

Собираем 50–100 документов разных форматов, включая плохие. Вы назначаете человека, который готовит эталон.

Недели 1–3 — Замер без дообучения

Прогоняем кандидатов по каждой связке и разбираем ошибки руками: где хватит правил, где нужна модель, а где человек.

2–8 недель — Пилот на одной связке

Собираем выбранный метод с проверками кодом и очередью. Закрытая часть выборки не трогается до итогового замера.

2–3 месяца — Остальные связки и запись в систему

Форматы добавляются по одному, каждый принимается отдельно. В учёт сначала уходят черновики.

От 3 месяцев — Опытная эксплуатация

Работа рядом с ручной обработкой, затем по типам, прошедшим порог. Следим за долей документов у оператора.

Дальше — сопровождение или остановка

Новые типы и контрагенты добавляются по одному. Остановиться можно на любой ступени: сделанное остаётся у вас по акту.

Контроль

Что остаётся у вас и чего мы не делаем

Остаётся у вас

  • Исходный код в вашем репозитории с первого коммита.
  • Выборка, эталон и скрипты замера: качество можно перепроверить без нас.
  • Схемы полей, правила проверок и пороги в читаемом виде.
  • Модели и настройки на ваших серверах, инструкция по развёртыванию.
  • Право остановиться после любой ступени: сделанное остаётся по акту.

Мы этого не делаем

  • Не обещаем, что нейросеть прочитает любой документ: границы метода записываем в протокол.
  • Не отдаём нейросети решения, из которых следуют деньги и обязательства: платёж, подпись, принятие условий.
  • Не читаем нейросетью электронные документы с готовой структурой от оператора ЭДО: их разбирает код.
  • Не даём юридических и налоговых заключений по тексту документов. Это не юридическая консультация.
  • Не имеем лицензии ФСТЭК, не проводим аттестацию, не дежурим круглосуточно. Работы дешевле 150 000 ₽ не берём.
Границы

Чем эта страница отличается от IDP, OCR и загрузки в учёт

ИИ для обработки документов покрывает несколько наших услуг, поэтому коротко о границах. Если документы приходят пачками из разных источников и нужен весь конвейер до очереди оператора, нужна интеллектуальная обработка документов. Если нужен сервис, превращающий страницы в текст и поисковый PDF, это OCR-система на заказ. Если задача узкая, накладные и счета в учёт, начните с распознавания документов и ввода данных в учёт, а запись в учётную систему описана на странице загрузки документов в 1С.

Эта страница про метод по типу файла и задаче. Сверка комплекта (договор, счёт, накладная, акт) вынесена на страницу ИИ для сверки документов, поиск и ответы по базе документов — на страницу ИИ-ассистента по документам.

Подготовка

Что принести на первый разговор

  • Три-пять образцов каждого типа документов в том виде, в каком они приходят, без подчистки.
  • Откуда приходят файлы: почта, мессенджер, сканер, ЭДО, общая папка.
  • Что нужно на выходе по каждому типу: тип, поля, сверка, краткое содержание или ответ на вопрос.
  • Куда пойдёт результат, кто вводит его вручную сейчас и сколько минут это занимает.
  • Ограничения по хранению: персональные данные, коммерческая тайна, закрытые сети.
Материалы

Материалы по теме

Статья

Как нейросеть работает с документами: Word, PDF, сканы

Путь файла от загрузки до ответа, различия форматов и частые отказы.

  • Формат файла
  • Таблицы и колонтитулы
  • Проверка
Читать →
Статья

OCR или LLM для распознавания документов

Три подхода, проверки против выдуманных значений и порог уверенности.

  • Три подхода
  • Проверки
  • Пороги
Читать →
Статья

Как измерить точность распознавания документов

Выборка, метрики по полям и приёмка: что записать в договор до начала работ.

  • Выборка
  • Метрики
  • Приёмка
Читать →
Заявка

Разберём ваши документы и выберем метод по каждому

Сорок минут созвона: какие документы приходят, в каком виде и что с ними делают сейчас. По итогам скажем, какие связки «формат и задача» проверять первыми.

или оставьте заявку

Спасибо, заявка отправлена. Ответим в течение рабочего дня.

Не удалось отправить. Напишите в Telegram или MAX, или позвоните.

Вопросы

Частые вопросы: нейросеть для обработки документов

Какую нейросеть для обработки документов выбрать: распознавание или языковую модель?

Выбор делают по формату файла и задаче. Файлам с текстовым слоем (PDF из программ, Word) распознавание не нужно. Сканы и фото сначала распознаются, затем языковая модель достаёт поля по схеме. Что подходит вам, показывает замер на вашей выборке.

Сколько стоит обработка документов нейросетью?

Обследование стоит 200 000 ₽ за один-два потока (2–3 недели) или 350 000 ₽ за несколько источников и систем (3–4 недели). Лёгкий пилот одной связки 150 000–400 000 ₽, тяжёлый 400 000–1 200 000 ₽, вывод в эксплуатацию от 1 500 000 ₽ этапами по 300 000–700 000 ₽.

Почему для пилота нужна выборка из 50–100 документов, а не больше?

Такой набор достаточно велик, чтобы показать, где метод ломается, и достаточно мал, чтобы эксперт разметил его за разумное время. Точную долю ошибок по нему не назвать, и мы её не обещаем. Перед выводом в эксплуатацию выборку расширяют.

Где обрабатываются документы: в облаке или на наших серверах?

Основной вариант: распознавание и языковая модель на ваших серверах. Для данных ограниченного доступа облачные сервисы чаще не подходят по требованиям заказчика, а персональные данные граждан России обычно должны храниться на серверах в России. Оценку по закону даёт ваш юрист, это не юридическая консультация.

Нужен ли оператор после запуска?

Да, на сомнительных документах: низкая уверенность, не прошла проверка, неизвестный тип. Чем строже порог, тем меньше ошибок в учёте и больше ручной работы; точку выбирает заказчик.

Чем ИИ для обработки документов отличается от загрузки файла в обычный чат?

В чате нет схемы, проверок и записи о том, откуда взято значение. У нас каждое значение приходит со страницей и цитатой, сумма проверяется арифметикой, реквизиты сверяются со справочником, спорное идёт в очередь, а качество измерено на вашей выборке.

Как заметить ошибку, если ответ нейросети выглядит убедительно?

По проверкам снаружи модели: значение должно найтись в исходном тексте, сумма строк сойтись с итогом, ИНН пройти контрольные разряды, контрагент найтись в справочнике. Если две схемы чтения дали разное, документ идёт человеку.

Вы работаете только в Ростове-на-Дону?

Мы в Ростове-на-Дону, работаем с заказчиками по всей России: удалённо и в вашем контуре. Доступ к системам и обследование согласуем на старте с вашей службой безопасности.