.NET спільнота

Автор обійшов мовчанням ключовий момент: що в результаті? а саме: Q1-Система запрацювала в продакшені? Q2-Що по багам і юзер експірієнсу? Q3-Як воно працює на нестабільному інтернет-каналі?

наняли б индусов на апворке они б вам все переписали на дотнет за $1-2/час, дешевле чем ваши модели, потом отрефакторили б моделями

Хороша стаття, детальний опис вирішення проблем з готовими підходами. По моєму досвіду, при закидуванні легасі проекту у ЛЛМ, вона одразу починає писати про купу спеціфічних малих проблем, замість важливих речей. Контекст забивається.

аналогічно). чотири роки щодня працював із структурою і форматуванням юридичних документів. і станом на півроку тому парсери все іще смокчуть пісю і відновити структуру скільки-небудь нетривіального пдф-а не можуть.

IMHO, один з найгірших форматів для дата екстракшн.

PDF створювався як мова опису векторних сторінок та тексту, а не як набір «безтекстових гліфів». і для цього юзаються гліфи і це не символи як такі в стандатрі Unicode то ж, як вам правильно зауважили, тексту у звичайному розумінні там немає.

PDF створювався як мова опису векторних сторінок та тексту, а не як набір «безтекстових гліфів». Юридичний паплайн це одне з найскладніших у впровадженні, але це більше як окемий випадок.

це сортування виконуєтсья на попередніх кроках конвеєра: є метадата — у парсер, немає — у AI OCR.

А ви ніколи не бачили пдф-ів, в яких жодного текста, самі картинки текста?

Ctrl+A та прискіпливий погляд на сторінку, щоб ненароком не роздрукувати на «білому» аркуші те, що написане білим кольром, додане колегами за для потіхи хД Був же той час колись...))

з якого дива пдф має містити якийсь текст? немає такої вимоги, в документі можуть бути тільки гліфи. і так, це буде валідний стандартний пдф документ.

Витягувати OCRом те, що і так є в документі виглядає як дивна надбудова. Можливо для художніх текстів це допустимо, але наприклад, для юридичних, де одна погано розпізнана літера перевертає сенс документа — це неприпустимий ризик.

цікаво, дякую

тут скоріше питання не в тому що екстрактор не може, а в тому що не всі це враховують

я просто на початку документу пишу промт-іньекцію а потім її перекриваю блоком с заливкою як і фон а вже потім іде рендерінг всього іншого це безпечніше в тому сенсі що виділення курсом по документу не скопіюе випадково промт і ще з практики — текст...