2000 tunnistusta sekunnissa: miten valita oikea taulukko asiakirjasta ilman neuroverkkoja

Smart Engines on kehittänyt menetelmän oikean taulukon tunnistamiseen useiden taulukonkaltaisten alueiden joukosta asiakirjassa ilman neuroverkkojen käyttöä. Järjestelmä havaitsee ensin mahdolliset taulukkoalueet, minkä jälkeen se muuntaa jokaisen alueen yksiulotteiseksi merkkijonoksi, joka koodaa sekä alueen geometrisen rakenteen että tekstisisällön. Tämä tehdään projisoimalla pystysuorat viivat ja OCR-sanat X-akselille, merkitsemällä sijainnit viivan laatu numeroina, tekstimerkkeinä tai tyhjinä pisteinä ja yhdistämällä ne tiiviiksi allekirjoitukseksi. Tunnistustehtävä pelkistyy tällöin merkkijonon vertaamiseen säännöllisiin lausekkeisiin, jotka kuvaavat odotettua taulukkorakennetta. Käytössä on kaksi skenaariota: kiinteän rakenteen tunnistus vakiomuotoisille asiakirjoille, kuten laskuille, ja tunnusomaisten sarakkeiden tunnistus taulukoille, joissa sarakkeiden järjestys voi vaihdella. Testit venäläisillä asiakirjoilla (sopimukset ja laskut) osoittivat rivi- ja sarakevirheiden vähentyneen jopa 35,87 prosenttia ja 26,36 prosenttia, ja solujen tunnistustarkkuus parani jopa 9,97 prosenttia. Algoritmi suorittaa alueen käsittelyn 0,49 millisekunnissa ARMv8 64-bittisellä alustalla, noin 2000 tarkistusta sekunnissa, kun taas LLM-pohjainen lähestymistapa Llama 3:lla PC:llä vie 1–3 sekuntia ehdokasta kohden. Menetelmää sovellettiin myös asiakirjatyyppien luokitteluun taulukkorakenteen perusteella, ja se saavutti 100 prosentin tarkkuuden ja saannin viidelle seitsemästä tyypistä, mikä ylitti perustason kenttäpohjaisen luokittelun.