Распознаванием документов называют превращение скана, фотографии или PDF-картинки в текст и данные, с которыми может работать программа: найти, сложить, занести в учёт. В обиходе всё это называют OCR (optical character recognition, оптическое распознавание символов), хотя под одним названием скрываются разные технологии с разными сильными сторонами. Выбор между ними определяет, сколько ручной работы останется после автоматизации.
Классический OCR находит на изображении буквы и цифры и выдаёт текст. Он быстрый, дешёвый и хорошо справляется с чистой печатью: договорами, письмами, страницами книг. Но на выходе только текст, без понимания, где в нём номер документа, а где сумма. Помятый чек, печать поверх текста или фото под углом заметно снижают качество.
Извлечение данных по шаблону добавляет к OCR разметку: в документе известного вида заранее отмечены поля, и система достаёт из них значения. Это хорошо работает на потоке однотипных форм от одних и тех же отправителей и плохо, когда форматы постоянно меняются.
Языковые модели со зрением читают изображение целиком и сразу возвращают нужные поля: магазин, дату, позиции, итог. Им не нужен шаблон под каждый формат, они справляются с фото под углом и с непривычной вёрсткой. Обратная сторона в том, что модель может уверенно вписать правдоподобную цифру там, где на снимке ничего не разобрать. Это та же галлюцинация, только в числах.
Рукописный текст стоит особняком. Его распознают все три подхода, но с заметно большей долей ошибок, и без проверки человеком такие данные в учёт обычно не пускают.
Для поиска по архиву и для базы знаний достаточно текста: важно, чтобы слова были распознаны и документ находился поиском. Для бухгалтерии и учёта нужны данные: конкретные поля с проверенными значениями. Это две разные задачи, и требования к качеству у них разные. Опечатка в слове поиску почти не мешает, опечатка в сумме попадает в отчёт.
Самые полезные проверки опираются на внутреннюю логику документа. Сумма позиций должна сходиться с итогом. Налог должен соответствовать ставке. Дата не может быть в будущем. У польского NIP есть контрольная цифра, и неверно распознанный номер чаще всего её не проходит. Такие правила проверяет код, без участия модели.
Что проверку не прошло или распознано с низкой уверенностью, уходит человеку в контуре. Хорошая система распознавания не обещает ноль ошибок, она показывает, какие документы нужно посмотреть глазами.
Самый надёжный документ тот, который не пришлось распознавать. PDF, выгруженный из программы, уже содержит текст. В Польше с 2026 года фактуры между фирмами всё больше проходят через KSeF в виде структурированных данных, и их можно получить без единого скана. Прежде чем автоматизировать распознавание, стоит проверить, нельзя ли получить те же данные в электронном виде у источника.
Для телеграм-бота учёта личных расходов делали распознавание польских кассовых чеков по фотографии. Классический OCR дал бы текст, из которого магазин, дату, позиции и итог пришлось бы вытаскивать отдельными правилами под каждый формат чека, а форматы у сетей разные. Поэтому чек читает модель со зрением и сразу возвращает поля. Серьёзных ошибок в распознавании чеков не было.
Главный вывод был про выбор подхода. Для чеков, где форматов много и каждый документ маленький, модель со зрением оказалась проще и дешевле в настройке. Для потока однотипных договоров классический OCR с правилами может быть надёжнее и в разы дешевле.
Какие документы и в каком количестве нужно распознавать и насколько разнятся их форматы. Нужен текст для поиска или данные для учёта. Какие проверки выполняет код и что происходит с документом, который их не прошёл. Кто смотрит спорные документы и сколько их допустимо в день. И можно ли получить часть документов в электронном виде, чтобы не распознавать их совсем.
Связанные термины: База знаний для ИИ · Галлюцинации ИИ · Человек в контуре · RAG
Хотите автоматизировать обработку документов в своей компании? Проектирование AI-решения →