1024是2的十次方，也是二進制計數的基本計量機關之一，每年的10月24日是以成為了中國程式員的盛會。近期，CSDN（中國開發者網絡）第三屆“1024程式員節”舉辦，來自Linaro等開源組織的上司者和微軟、騰訊、華為、合合資訊等企業的技術專家出席主論壇活動《全體大會：2022技術英雄會》，與觀衆雲端話科技。
生産生活中，被整齊記錄在二維表結構裡的“結構化”資料隻是少數。據國際資料公司(IDC)預測，全球非結構化資料将在2025年占據資料總量的80%至90%。智能文檔處理技術能夠對各種檔案、圖檔中的非結構化資料進行内容識别和抽取，對推進企業數字化轉型意義重大。
怎樣從資料中發現更多的價值，找到更實用的開發工具，是程式員群體重點關注的話題之一。合合資訊智能創新事業部總經理唐琪受邀分享智能文檔處理的技術優化方法及開源管道介紹，獲得了衆多開發者的認可。
圖說：合合資訊去摩爾紋（螢幕紋）技術處理效果 采訪對象供圖（下同）
文檔處理之困：識别文字還不夠，版式了解是基礎
智能文檔處理技術本質上是把文檔裡的資訊從載體中剝離出來，将其對接到其他系統，以資料的流轉實作流程自動化的技術。典型場景如單據的自動稽核，就是先對單據進行圖像檢測，從中提取所需資訊并錄入到系統裡，經過結構化處理，“翻譯”成機器能了解的内容後再進行自動判别，達到節省人工成本、提高工作效率的目的。
唐琪在分享中指出，采集裝置的不确定性和文檔版式的多樣性，導緻文檔在處理過程中經常遇到“看不清、看不準、認不全、難了解”四大類問題。合合資訊在彎曲矯正、去摩爾紋（螢幕紋）等圖像品質增強領域進行了深入研究，為資訊的提取、存儲、檢索、管理等後續工作創造良好的環境。
圖說：合合資訊彎曲矯正技術處理效果
“在各種場景的實踐中我們發現，單純的文字識别不足以支撐更細緻的文檔處理需求，版面元素分析才是基礎。”唐琪提到，文檔處理過程中要重點關注對印章、logo、水印、頁眉、二維碼、公式等元素的檢測，根據檢測結果采取對應的版式分析方式，可得到更精準的識别結果。
如何讓已經接受過市場檢驗的技術産品惠及更多的開發者？技術服務的共享是促進科技創新的重要管道。合合資訊将在制造業、金融業、物流業等30個行業應用裡打磨出的核心技術産品“智能文字識别服務平台”以SaaS的形式免費開放給個人開發者，助力使用者們低成本、高效率擷取貼合個性化需求的定制模型。
圖說：合合資訊智能文字識别服務平台工作流程
合合資訊開源平台：10分鐘完成模型建構，10張樣本即可做訓練
受遠端辦公趨勢發展和環保“無紙化”倡導的影響，社會對智能文檔處理技術的需求不斷增加。合合資訊智能文檔處理技術可支援全球超過50種主流語言的印刷體、手寫體的高精度識别，以及增值稅發票、計程車票等20多種票據的識别，這些通用識别、資訊抽取能力被搭載于合合資訊智能文字識别服務平台SaaS版中，并于大會上開放試用。
該平台提供了海量訓練資料快速生成、自動化模型生成、完整的模型訓練和測試等功能，具備低使用門檻、所需樣本少、開發周期短的優勢，使用者通過雲端的簡單操作，即可定制提取标準和非标準版式文檔的結構化資訊，僅需10張樣本就可以開始訓練。
現階段，企業對于OCR（文字識别）的需求趨向于定制化和多樣化，卻為高昂的開發成本所限，平台可為中小企業的數字化轉型提供助力。比起傳統的技術方案，企業更希望被賦予人工智能産品開發能力，去搭建基于自有業務場景的識别模型。在平台上，企業可通過簡單的配置快速産出結構化識别模型，無需伺服器資源與運維投入便可擷取技術支援，降低開發、部署與運維環節中的門檻。
據悉，實測中應用人員最短可在10分鐘内完成抽取模型開發全流程，可視化界面設計讓沒有算法基礎的業務人員也可順利使用。
新民晚報記者 金志剛