Извлекаем данные
из документов, используя
искусственный интеллект

Как это работает

Рекомендуем смотреть эту часть сайта на большом экране.

Документ

Результат ?

НОМЕР ДОКУМЕНТА
ВСК-Т-16/01/2014
ДАТА ДОКУМЕНТА
16.01.2014
ОРГАНИЗАЦИЯ ДОВЕРИТЕЛЯ
Общество с ограниченной ответственностью «Высокие технологии»
ИНН ДОВЕРИТЕЛЯ
1234567890
ОГРН ДОВЕРИТЕЛЯ
1000123456789
ФИО ДОВЕРИТЕЛЯ
Иванов Иван Иванович
ФИО ПОВЕРЕННОГО
Александрова Александра Александровна
СЕРИЯ ПАСПОРТА ПОВЕРЕННОГО
0000
НОМЕР ПАСПОРТА ПОВЕРЕННОГО
560065
ОРГАН ВЫДАЧИ ПАСПОРТА ПОВЕРЕННОГО
ОТДЕЛЕНИЕ УФМС РОССИИ
ДАТА ВЫДАЧИ ПАСПОРТА ПОВЕРЕННОГО
12.06.2010
СРОК ДЕЙСТВИЯ ДОВЕРЕННОСТИ В ГОДАХ
5
ДАТА ОКОНЧАНИЯ ДЕЙСТВИЯ ДОВЕРЕННОСТИ
16.01.2019
ФИО ПОДПИСАНТА
И.И. Иванов

Что мы умеем

Финансовые документы
Документы юрлиц
Судебные документы
Прочие документы
Ваша задача
Разработчикам

Уже готово

  • Акт
  • Счет
  • Счет-фактура
  • Товарная накладная
  • УПД

Характеристики

  • Точность распознавания полей порядка 90%
  • Автоматическое определение типа документа
  • Подсветка полей, требующих проверки
  • Нешаблонное распознавание
  • Легкая интеграция по API

Кейсы

Учет и проверка финансовых документов
Бухгалтеры ежедневно сталкиваются с обработкой большого числа
первичных документов.

Необходимо не только вводить данные множества полей в учетные системы,
но и сверять их с различными справочниками.

Нашей задачей было оптимизировать время обработки первичных документов
с помощью автоматического переноса и сверки данных.
Ответ на исковые заявления
В крупной корпорации юристам приходится тратить много времени
на типовую работу с документами.

Сначала отсканированные документы поступают по электронной почте.
Затем данные из каждого документа переносятся в учетную систему вручную.
В итоге на основе этих данных формируется ответный документ.

Нашей задачей было ускорить обработку входящих документов без расширения
штата юристов, тем самым повышая явку в суды.
Обработка заявлений на портацию номера
Крупный оператор связи ежедневно получает от абонентов около 7000
заявлений на перенос номера.

Имеющийся штат сотрудников не позволяет обрабатывать полный
объем данных, из-за чего страдает качество бизнес-процесса.

Нашей задачей было увеличить объем обрабатываемых заявлений без
расширения штата сотрудников за счет автоматического распознавания.

Как мы работаем

1
Ваша задача
опмимизировать обработку документов или текстов
2
Мы анализируем
ваш процесс, данные и предлагаем решение
Мы обучаем
нейросети до необходимого качества
Мы устанавливаем
решение в ваш контур
Вместе тестируем
проверяем качество и сценарии работы
3
Готовое решение
установлено в ваш контур с возможностью подключения по API

Кто мы

Привет, это TiP. Мы занимаемся разработкой Deep Learning решений для обработки документов и текстов с 2018 года. Решим вашу задачу под ключ по установленным SLA.

Наши пользователи

Наши решения используют в известных компаниях из разных отраслей.
Наши технологии работают без дополнительной настройки под специфику индустрии.

Технологии

End-to-end обучение
Помогает проще создавать, дорабатывать и поддерживать AI-решения.
Свой OCR для документов
Отлично справится с фото, табличными данными и мелким шрифтом.
Поиск визуальных элементов
Найдем таблицы, печати, подписи, QR-коды и подобные элементы.
Быстрая работа без GPU
Наши модели оптимизированы под CPU для уменьшения стоимости решений.

FAQ

Какие еще задачи вы решаете, кроме распознавания документов?
Мы умеем решать широкий круг задач обработки текстов и компьютерного зрения. Свяжитесь с нами и мы предложим решение вашей задачи.
Что можно использовать сразу без доработок?
Распознавание полей в документах:
  • Акт, счет, счет-фактура, УПД, товарная накладная
  • ОГРН, доверенность, карточка организации, решение ЕИО
  • Паспорт, СНИЛС, ИНН
  • Иск, повестка, определение, судебный приказ

А также модули для разработчиков:
  • OCR для русского и английского языков
  • NER: имена, организации, адреса, даты, деньги
  • Распознавание таблиц, подписей, печатей, QR- и штрих- кодов
Качество распознавания 90%. Человек проверяет только оставшиеся 10%?
Нет. Это означает, что в среднем 90 из 100 полей будут распознаны без ошибок и не требовать исправлений. При этом проверить нужно будет около 30-50% полей, которые система маркирует как неуверенно распознанные.

На примере 100 полей результаты будут выглядеть так:
  • 60 полей не нужно проверять и не нужно исправлять
  • 30 полей нужно проверить и не нужно исправлять
  • 10 полей нужно проверить и нужно исправить

Итого, при качестве распознавания 90% человек обычно проверяет около 30-50% полей, но вносит корректировки только в 10%, где есть ошибки.
Из каких шагов состоит внедрение и какая их длительность?
Cначала мы проводим дообучение нейросетей на ваших данных, если в этом есть необходимость. Затем настраиваем сценарии работы и тестируем результат. Длительность этого этапа зависит от объема доработок и может занимать от одного до четырех месяцев.

Затем мы устанавливаем готовое решение в ваш контур. На этом этапе мы конфигурируем все компоненты и проводим интеграционное тестирование. Обычно на установку и тестирование уходит от двух недель до месяца, после чего можно начинать пользоваться продуктом.
Возможна ли установка в закрытый контур?
Да. Мы установим наше решение в ваш контур с помощью Docker и предоставим API для интеграции.
Как интегрировать решение в CRM компании?
С помощью предоставляемого нами API с подробной документацией и OpenAPI спецификацией.
Ваше решение работает без GPU?
Да. Наши модели целенаправленно оптимизированы для работы на CPU.
Можно ли самостоятельно дообучать решение без написания кода?
Нет. Однако мы предлагаем решение под ключ, беря на себя всю аналитическую и техническую работу.
По нашему опыту настройка распознавания с помощью no-code систем не позволяет создать эффективное решение для бизнеса, так как использует упрощенные и маломощные технологии.

Свяжитесь с нами,
если у вас много
однотипной работы
с документами

Мы поможем сформулировать задачу
и предложим варианты решения.
Оставьте свои контакты и мы
договоримся о встрече и демо.