LightOnOCR-3 vyčíta z dokumentu text, polohu odsekov aj údaje z grafu

LightOn 8. októbra vydal rodinu LightOnOCR-3 vo variantoch 0.8B, 1B a 4B. Modely sú určené na prevod obrázkov dokumentov na strojovo spracovateľný obsah. Popri prepise vedia označiť jednotlivé oblasti stránky, opísať vložený obrázok a previesť údaje z grafu do tabuľky. Váhy sú dostupné pod licenciou Apache 2.0.

Takéto spojenie má význam pri firemnom archíve. Vyhľadávač potrebuje vedieť, ktoré hodnoty patria do tabuľky, aký nadpis ich uvádza a kde na pôvodnej stránke sa nachádzajú. Samotný text bez tejto väzby môže zameniť poradie stĺpcov alebo priradiť údaj k nesprávnej časti návodu.

Prázdny textový pokyn zachováva bežný prepis. Pokyn grounding doplní ohraničujúce rámčeky s typom oblasti a súradnicami normalizovanými od nuly po tisíc. Obrázky dostanú krátky opis a grafy tabuľku hodnôt. Výstup tak môže súčasne slúžiť čitateľovi aj aplikácii, ktorá potrebuje zvýrazniť nájdený údaj v pôvodnom PDF.

LightOn zverejňuje aj konverzné a vyhodnocovacie nástroje. Tie sú dôležité, pretože výsledky benchmarku ovplyvňuje predspracovanie vstupu aj normalizácia odpovede. Porovnávanie samotných skóre bez rovnakého postupu môže pripisovať modelu rozdiel, ktorý vznikol mimo neho.

Pri tabuľke môže byť rozhodujúca väzba medzi hodnotou, jednotkou a názvom stĺpca. V technickom liste sú napríklad menovitý a maximálny údaj odlišné veličiny, hoci vyzerajú podobne. Zachovanie štruktúry pomáha následnému vyhľadávaniu vrátiť správny riadok a umožňuje používateľovi otvoriť práve tú oblasť stránky, z ktorej odpoveď vychádza.

Oficiálna produktová stránka predstavuje model ako základ pre lokálne spracovanie dokumentov. Praktická integrácia však stále zahŕňa vykreslenie stránok, prevod výstupu a následnú kontrolu. Malý text na výkrese potrebuje iné rozlíšenie než jednoduchý formulár; viac obrazových tokenov zároveň znižuje počet stránok spracovaných za sekundu.

Pri overovaní sa oplatí oddeliť tri otázky: či je správny prepis, či sedí priradenie k oblasti a či sú hodnoty z grafu skutočne čitateľné. Najmä posledný prípad potrebuje možnosť odmietnuť neistý výsledok. Pre podnik je preto užitočnejší test na vlastných formulároch a technických prílohách než všeobecné tvrdenie, že nový OCR model rozumie všetkým dokumentom.