OCR, комп’ютерний зір і навчені моделі для рукописних бланків, рахунків, актів і польових сканів: обрізка аркуша, нарізка комірок, витяг полів, звірка з правилами ERP. Компактні доменні моделі навчаю на еталонах, якщо універсальний читач не тягне. Python закриває фото, PDF і пакети; TypeScript — API й чергу перевірки оператором, без тихих помилок в обліку.
Проєкти з розпізнавання документів зазвичай починаються з короткого discovery, письмового outline і першого milestone, який можна показати стейкхолдерам за тижні, а не місяці «тихої» розробки.
Коли це потрібно
До розпізнавання документів звертаються, коли типовий продукт не покриває процес, комплаєнс чи інтеграції.
- Операції переросли таблиці й ручні обхідні шляхи навколо розпізнавання документів
- Потрібна система з ролями, аудитом і передбачуваними релізами
- Дані мають рухатися між сервісами без подвійного введення
- Керівництву потрібні вимірювані етапи, а не один «великий вибух» наприкінці
Що входить у роботу
- Воркшоп: цілі, обмеження, поточні системи, метрики успіху
- Ескіз архітектури та беклог вертикальними зрізами
- Реалізація з рев’ю, staging і документацією для передачі
- Підтримка запуску й короткий супровід після go-live
Стек і підхід
У межах Впровадження штучного інтелекту використовуємо LLM, RAG, чат-боти, OCR, комп’ютерний зір, навчання моделей, TypeScript, Node.js, Python, API ERP, 1С, безпека даних, автоматизація. Робимо акцент на типізацію, невеликі інкременти та спостережуваність (логи, health-check), щоб команді було легше супроводжувати рішення.
Приклад із практики
Кейс: ai-vision — рукописні промислові бланки, зір і OCR на Python, навчання компактних моделей, оцінювання на еталонах і перевірка оператором до ERP. Асистенти в месенджерах — окремий контур: thinklens-bot.
Строки й формат
Вузький MVP часто виходить за 4–8 тижнів залежно від інтеграцій. Працюємо ітераціями по 1–2 тижні з демо; зміни scope фіксуємо явно.
