Cara kerja ekstraksi data AI
Pertama, alat ini mengubah dokumen menjadi teks: lapisan teks PDF dibaca langsung, sedangkan halaman hasil pindaian serta file JPG, PNG, dan WebP melalui OCR. Lalu teks diberikan ke model bahasa bersama skema JSON yang mencantumkan kolom yang harus diisi, dan model diwajibkan menjawab dengan JSON yang sesuai skema itu.
Nilai hanya diambil dari dokumen. Jika sebuah kolom tidak tercantum, ia kembali sebagai null atau daftar kosong, bukan tebakan; tanggal dan jumlah dinormalkan agar hasilnya bisa langsung masuk ke spreadsheet atau basis data. Model berjalan di server milik FileConvertLab sendiri; cara file unggahan ditangani dijelaskan dalam kebijakan privasi.
Templat siap pakai
Lima templat mencakup dokumen yang paling sering diketik ulang secara manual. Templat faktur mengembalikan penjual, pembeli, nomor, tanggal terbit dan jatuh tempo, mata uang, subtotal, pajak, total, dan setiap item. Templat CV mengembalikan kontak, keahlian, pengalaman, dan pendidikan; templat kontrak mengembalikan para pihak, tanggal, jangka waktu, syarat pembayaran, hukum yang berlaku, kewajiban, dan penanda tangan.
Templat spesifikasi produk mengumpulkan nomor model, dimensi, bahan, parameter teknis, dan sertifikasi dari lembar data, dan templat makalah akademik mengembalikan judul, penulis, publikasi, DOI, abstrak, kata kunci, metode, dan temuan utama. Jika tabel harus tetap berupa tabel, PDF ke Excel lebih tepat.
Skema Anda sendiri
Jika tidak ada templat yang cocok, pilih Skema kustom dan jelaskan kolomnya dalam JSON Schema: sebuah objek dengan properties, masing-masing dengan tipe seperti string, number, boolean, array, atau object dan deskripsi opsional yang memberi tahu model apa yang dicari. Objek bersarang dan daftar objek didukung, hingga empat tingkat dan 60 kolom.
Setiap daftar dibatasi jumlah item maksimum dan setiap kolom teks dibatasi panjang maksimum, sehingga jawaban selalu selesai. Gunakan nama kolom yang pendek dan jelas: model melihat nama dan deskripsi, jadi "delivery_date" dengan deskripsi "YYYY-MM-DD" bekerja lebih baik daripada "d1". Skema yang sama dapat dikirim melalui API dalam proses otomatis.
Batasan
Semua halaman dibaca, hingga batas halaman paket Anda. Jika waktu pemrosesan habis pada dokumen yang sangat panjang, hasilnya mencakup halaman yang sudah terbaca dan menyebutkan hal itu. File boleh hingga 50 MB. Pindaian dikenali dulu dengan OCR, sehingga pindaian yang bersih dan lurus memberi hasil lebih baik daripada foto miring.
Model bahasa bisa salah membaca atau melewatkan nilai, terutama pada pindaian berkualitas rendah dan tata letak yang tidak biasa. Periksa angka penting dengan dokumennya sebelum digunakan. Untuk membuat pindaian dapat dicari alih-alih mengekstrak kolom, gunakan OCR PDF.