Автоматическое чтение архивных документов
Сканы распознаются, сортируются по типу, ключевые поля извлекаются; оператор проверяет только сомнительные места.
- Клиент
- Подрядчик, оцифровывающий государственный архив
- Отрасль
- Подрядчики госсектора
- Запуск
- июль 2025
- Срок
- 6 мес.
- Команда
- 6 чел.
Что было
В архиве хранились документы с 1950-х годов на азербайджанском языке, написанные кириллицей и латиницей. Операторы перепечатывали каждое дело вручную, и по такому плану оцифровка заняла бы 9 лет.
Что построили
- OCR, обученный на азербайджанском в кириллице и латинице
- Определение типа документа: заявления, приказы, справки, акты и другие
- Извлечение полей: имена, даты, номера, со степенью уверенности
- Рабочее место, где оператор проверяет только сомнительные поля
- Всё на серверах заказчика, без выхода в интернет
Результаты
2,4 млн
страниц распознано
2025
−71%
времени ручного ввода на одно дело
2025
96,4%
полей распознаны верно после проверки
тестовый набор, 12 000 страниц
Операторы больше не печатают, а проверяют. План сократили с 9 лет до 3.
Руководитель проекта оцифровки, подрядчик, оцифровывающий государственный архив
Технологии
- Python
- PyTorch
- Tesseract OCR
- PostgreSQL
