Verslas ir diegimai20:04
Paruoškite PDF nuskaitymus DI: OCR parametrai ir failų pavadinimai pirmadieniui
Kaip nustatyti skenavimą 300–600 DPI raiška, įjungti teksto sluoksnį ir pavadinti failus formatu Tipas_Data-Versija_Būsena prieš prijungiant dokumentus prie AI indekso.

Klausytis straipsnio santraukos
Sintetinis balsas.Vertinkite šį tekstą kaip nemokamus praktiko užrašus: rodome įprastą eigą, o ne vienintelį galimą modelį jūsų situacijai. Atidarykite OCR įrankį: Azure AI Document Intelligence, Google Document AI arba vietinį OCRmyPDF. Rezultatas bus aplankas su skenuotais PDF failais, turinčiais teksto sluoksnį bei pavadinimus, paruoštus prijungti prie AI indekso. Prieš pradėdami patikrinkite prieigą prie skenų aplanko ir leidimą sukurti OCR procesorių: debesyje tam reikia mokamo plano, o vietinėje diegtyje pakanka vartotojo su rašymo į diską teisėmis.
Sukurkite OCR procesorių ir nustatykite skenavimo parametrus (1–2 valandos)
Azure valdymo skydelyje atidarykite skiltį Azure AI Document Intelligence ir pasirinkite OCR procesoriaus kūrimą. Apdorojimo nustatymuose raskite spalvų režimo lauką ir pakeiskite jį į pilkumo tonų arba juodai baltą režimą: spalvos nepagerina atpažinimo kokybės, tik prailgina laiką. Šalia raiškos lauko nustatykite reikšmę tarp 300–600 DPI. Numatytoji sistemos reikšmė yra 300 DPI; palikite ją, jei skenai ryškūs, arba padidinkite iki 600 DPI, kai raidės liejasi ant antspaudų ar brėžinių. Lauko detales rasite Document Intelligence dokumentacijoje.

Apdorokite 5 tūkst. failų imtį ir išmatuokite dokumentų be teksto dalį (2–4 savaitės)
Paleiskite 5 000 failų imties paketį apdorojimą. Jam pasibaigus atidarykite kokybės ataskaitą. Suskaičiuokite dokumentus be teksto sluoksnio: leistina dalis yra mažiau nei 5%. Jei rodiklis didesnis, grįžkite į procesoriaus nustatymus ir padidinkite raišką iki 400 arba 600 DPI. Google Cloud įrankyje atlikite analogišką veiksmą pasirinkdami OCR procesorių iš sąrašo ir patikrindami gauto teksto lauką po apdorojimo; aprašymą rasite Document AI dokumentacijoje.
Pervadinkite failus ir pažymėkite galutines versijas (1 savaitė)
Kiekvienam failui su teisingu teksto sluoksniu suteikite pavadinimą pagal šabloną [tipas]_[ISO-data]_[versija]_[būsena].pdf, pavyzdžiui, Faktura_2025-01-15_v2_final.pdf. Darbines versijas pažymėkite kaip draft ir neįtraukite jų į indeksą. Dublikatus aptikite apskaičiuodami SHA-256 maišos kodą: jei dviejų failų kodas sutampa, pašalinkite vėlesnį. Juodraščius, senesnius nei 12 mėnesių nuo patvirtinimo, perkelkite į archyvą arba ištrinkite.

Nustatykite filtrą final ir sukurkite indeksą (1 diena)
Indeksavimo įrankyje pasirinkite aplanką su paruoštais failais. Indeksavimo taisyklėje nustatykite būsenos filtrą final, o failus su žyma draft nurodykite kaip išimtis. Paleiskite pradinį indeksavimą. Baigę patikrinkite tris skirtingų skyrių dokumentus, ar paieška pateikia reikiamą sąskaitą faktūrą ar sutartį įvedus teksto fragmentą.
Praėjus mėnesiui po diegimo sąskaitos faktūros paieška nebeužtrunka 40 minučių: sistema pateikia dokumentą per 20 sekundžių, remdamasi teksto sluoksniu. 2–3 darbuotojų atliktas bandomasis 5 000 failų projektas sutaupo apie 60 valandų per metus, palyginti su rankine paieška tinklo diske. Daugiau informacijos apie tokį diegimą rasite HEXART paslaugų puslapyje.
Šaltiniai
Šaltiniai, kuriais rėmėmės rašydami. Šis tekstas yra mūsų; šios svetainės neatsako už jo turinį ir jo neautorizavo.
