Как работает AI-извлечение данных
Сначала инструмент превращает документ в текст: текстовый слой PDF читается напрямую, а страницы-сканы, а также файлы JPG, PNG и WebP проходят OCR. Затем текст передаётся языковой модели вместе с JSON-схемой, в которой перечислены поля, и модель обязана ответить JSON, соответствующим этой схеме.
Значения берутся только из документа. Если поле не указано, оно возвращается как null или пустой список, а не догадка; даты и суммы нормализуются, чтобы результат можно было сразу положить в таблицу или базу. Модель работает на собственных серверах FileConvertLab; как обрабатываются загруженные файлы, описано в политике конфиденциальности.
Готовые шаблоны
Пять шаблонов покрывают документы, которые чаще всего перепечатывают вручную. Шаблон счёта возвращает поставщика, покупателя, номер, даты выставления и оплаты, валюту, сумму без налога, налог, итог и каждую позицию. Шаблон резюме — контакты, навыки, опыт и образование; шаблон договора — стороны, даты, срок, условия оплаты, применимое право, обязательства и подписантов.
Шаблон спецификации собирает модели, размеры, материалы, технические параметры и сертификаты из даташитов, а шаблон научной статьи — название, авторов, издание, DOI, аннотацию, ключевые слова, методы и основные результаты. Если таблицы должны остаться таблицами, лучше подойдёт PDF в Excel.
Своя схема
Если ни один шаблон не подходит, выберите «Своя схема» и опишите поля в JSON Schema: объект со свойствами, у каждого тип (string, number, boolean, array или object) и необязательное описание, подсказывающее модели, что искать. Поддерживаются вложенные объекты и списки объектов, до четырёх уровней и 60 полей.
Каждый список ограничен фиксированным числом элементов, а каждое текстовое поле — фиксированной длиной, поэтому ответ всегда завершается. Давайте полям короткие понятные имена: модель видит имена и описания, поэтому «delivery_date» с описанием «YYYY-MM-DD» работает лучше, чем «d1». Ту же схему можно отправлять через API в автоматических процессах.
Ограничения
Читаются все страницы в пределах лимита страниц вашего тарифа. Если на очень длинном документе не хватает времени обработки, результат охватывает уже прочитанные страницы и сообщает об этом. Размер файла — до 50 МБ. Сканы сначала распознаются OCR, поэтому чистый ровный скан даёт лучший результат, чем фото под углом.
Языковые модели могут ошибиться или пропустить значение, особенно на плохих сканах и нестандартной вёрстке. Сверяйте важные цифры с документом перед использованием. Чтобы сделать скан доступным для поиска, а не извлекать поля, используйте OCR PDF.