Хмарне розпізнавання замість десктопної ліцензії
Близько $1.5 за тисячу сторінок, без ліміту сторінок і прив’язки до комп’ютера, у регіоні ЄС, бо в документах паспортні дані.
Задача.
Кожен документ надходив сканом з офісного копіра, без текстового шару. Перекладачі передруковували документи рядок за рядком, а роки готових перекладів лежали в папках, де нічого не знайдеш.
Що ми зробили.
- Сканер надсилає лист на пошту, система забирає кожен лист і відкриває під нього завдання.
- Розпізнавання тексту зі збереженням позицій рядків і оцінкою впевненості для кожного слова: сумнівні рядки позначені для перекладача.
- Пам’ять перекладів у галузевому форматі TMX. Усе, що вже перекладали, підставляється з неї, і лише новий текст іде в машинний переклад з глосарієм бюро.
- Автоматична перевірка, що імена, числа й дати в перекладі збігаються з оригіналом.
- Збирання у вордівський бланк бюро, експорт у PDF та екран вичитки. Кожен затверджений рядок повертається в пам’ять.
- Інструмент, що вирівнює старий архів бюро з оригіналами, щоб наповнити пам’ять минулими роботами.
Рішення, які варто пояснити.
Не навчати модель на сотні документів
На такому обсязі вивірена пам’ять надійніша за донавчання, а бюро бачить і може виправити кожну пару в ній.
Печатки та імена лишаються людині
Текст печаток не вгадується, на його місце ставиться позначка. Будь-яка зміна імені чи числа потребує підтвердження перекладача.
У цифрах.
1 537автотестів, проходять за 17 секунд
19 / 19документів усіх типів дійшли до готового файлу в регресійному прогоні
5мов оригіналу: UA, RU, BY, AZ, UZ
365перевірених пар у пам’яті після першого місяця
Стек
- Python 3.12
- FastAPI
- Azure Document Intelligence
- DeepL API
- python-docx
- PyMuPDF
- OpenCV
- LibreOffice
- Windows Server
- Caddy
Потрібно щось подібне?
Опишіть свій процес. Скажемо, які частини цієї системи вам підходять і скільки це коштуватиме.