← Каталог

· AI Engineer World's Fair 2026

Разбор файлов Эпштейна для JMail

Parsing the Epstein Files for JMail — Palak Agarwal & Omar Alhait, Reducto

Презентация продукта Reducto, но с полезным выводом: схему извлечения стоит проверить на небольшой выборке документов, прежде чем строить большой бенчмарк.

  • Выборка до бенчмарка — авторы советуют сначала прогнать несколько документов через Studio и посмотреть результат вручную, а потом перейти к сотням или тысячам репрезентативных файлов с подходящими настройками. По их словам, многие клиенты сравнивают сервисы с неверными конфигами и получают искажённую картину.
  • Редакция в PDF — в части файлов JMail текст под наложенным прямоугольником оставался доступен, и команде пришлось перередактировать документы. Reducto читает метаданные PDF, поэтому проверять нужно слой текста, а не только картинку страницы.
  • Гибридный OCR — отдельный режим выбирает между результатом OCR и данными из метаданных PDF. Спикеры назвали это непростой задачей, которой можно посвятить отдельный доклад.
  • Схема по содержимому — улучшенная генерация сначала парсит документы и подбирает описания полей под них, а обычная подходит для быстрого старта. По словам спикеров, вложенность схемы ограничена примерно четырьмя–пятью уровнями.

Кому полезно: тем, кто извлекает данные из сканов, рукописных форм и PDF с редакцией и хочет проверить качество до масштабирования.

Статья по теме

Главы

Похожие доклады