· 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
OpenRAG: open source-стек для RAG
AI Engineer Europe 2026
Близко по содержанию
Ваши договоры — база данных, по которой нельзя искать
Близко по содержанию
Grep или embeddings? Агентный поиск по корпоративным документам
Близко по содержанию
Структурирование неструктурированных данных: продвинутый разбор документов для AI-workflows
AI Engineer World's Fair 2026
Близко по содержанию

