ИИ для входящей первички: дубликаты, исправления и очередь бухгалтера

Запросить предложение

Один счёт приходит по почте, второй раз — сканом, а затем поставщик присылает исправленную версию. Распознавание текста решает только часть задачи. Для проекта локального ИИ нужно заранее определить, какой документ попадёт в очередь, кто подтвердит исправление и как результат свяжется с оригиналом.

Разделите файл и хозяйственный документ

Две копии одного PDF можно обнаружить по совпадению содержимого файла. Но повторный скан того же счёта уже имеет другие байты. Для такой ситуации нужны отдельные признаки документа: поставщик, номер, дата и согласованный набор полей. Совпадение этих признаков служит основанием для проверки, а не автоматического удаления одного из файлов.

Входящему файлу назначают собственный идентификатор и сохраняют канал поступления. Оригинал остаётся доступным проверяющему. Если бухгалтер исправил распознанную сумму, система должна сохранять связь результата с исходным изображением, а не подменять оригинал отредактированным текстом.

Задайте очередь сомнительных случаев

Для пилота выделите состояния: новый, распознанный, требует проверки, подтверждённый и отклонённый. В отдельную очередь направляют несовпадение итоговой суммы, нечитаемое поле и подозрение на повтор. Правила перехода определяет владелец бухгалтерского процесса. Модель может предложить значение, но решение о подтверждении остаётся у назначенного сотрудника.

Не объединяйте исправленный документ с прежним только по номеру. Нужны видимая история и явное решение, какая версия используется дальше. При повторном запуске обработки уже подтверждённая запись не должна незаметно заменяться новым предположением модели.

Проверяйте таблицу и реквизиты отдельно

Составьте набор обезличенных примеров: чёткий PDF, фотография с наклоном, многостраничный документ и таблица с переносом строки. Для каждого определите обязательные поля и ожидаемую связь строк. Ошибку в одном артикуле и ошибку в общей сумме учитывают раздельно: одинаковый процент распознанного текста скрывает разные последствия для работы.

В документации Tesseract качество исходного изображения и разбор таблиц рассматриваются отдельно. Это полезное основание для проверки входных материалов, а не обещание, что установка OCR-пакета автоматически вернёт готовую таблицу учёта. Версию программы, способ подготовки сканов и поддерживаемые языки фиксируют в проекте.

Передавайте результат в учёт только по согласованному правилу

Первый этап удобно завершать выгрузкой для проверки: поля, ссылка на оригинал, состояние и замечание. Если нужна интеграция с 1С, отдельно согласуйте версию решения, формат обмена и обработку повторной отправки. Подтверждённый пакет должен иметь идентификатор, позволяющий заметить повтор, вместо создания второй записи при каждом нажатии кнопки.

На проверке пройдите путь исправления: сотрудник обнаружил неверное поле после передачи. Уточните, где делается исправление и как обновляется состояние исходной задачи. Покупка GPU-сервера не подтверждает наличие такого обмена, лицензий на программу или готовой настройки бухгалтерии.

Как описать серверную нагрузку

В заявку на AI Server Manager включите число входящих страниц за рабочее окно, долю сложных сканов, число проверяющих и время хранения оригиналов. Объём GPU определяют для выбранной модели; подготовка изображений, база очереди и хранение имеют собственные требования к CPU, RAM и накопителям.

Попросите разделить предложение на оборудование, распознавание, очередь проверки, обмен и сопровождение. Приёмку связывают с прохождением тестового пакета без скрытых дублей и потери исправлений. Быстрая обработка одной идеальной страницы не отвечает на вопрос, как отдел закроет реальный входящий поток.

Вопросы перед заказом

Первичный источник: Tesseract: качество изображений и ограничения распознавания таблиц. Документация программного проекта не доказывает его испытание на продаваемом экземпляре.

Сервер 1С и локальный ИИ: как разделить нагрузку до покупки · Все разборы