«Диасофт» разработал продукт для интеллектуального парсинга документов

Функциональные возможности «Сервиса интеллектуального парсинга документов»

• Единый HTTP API для приема файлов различных форматов (PDF, DOCX, PPTX, XLSX, HTML, изображения, аудиоформаты) и их преобразования в структурированные данные (JSON, Markdown, HTML) без потери семантики.
• Продвинутые алгоритмы OCR: распознавание текста сканированных документов и изображений, включая рукописный ввод, с поддержкой любых языков и кодировок.
• Технологии ASR (распознавание речи): автоматическая транскрибация аудиозаписей в текст с разделением по спикерам, определением временных меток и расстановкой знаков препинания.
• Извлечение структуры и таблиц: автоматическое определение логической структуры документа и контента (текст, таблицы), что критически важно для корректной работы поисковых движков и ИИ-ассистентов.

«Сервис интеллектуального парсинга документов» помогает в работе с большими объемами неструктурированных данных, которые невозможно использовать для LLM-проектов и RAG-сценариев без качественной подготовки. Продукт позволяет устранить риски зависимости от иностранных библиотек (Docling, Apache Tika), снижает трудозатраты на разработку собственных конвейеров конвертации.

Илья Шуйков, руководитель продукта «Фабрика данных»: «Часто заказчики отказываются от внедрения ИИ-ассистентов из-за «грязных» входных данных: PDF с таблицами или сканы плохо индексируются, нейросеть галлюцинирует. Наш сервис решает это «из коробки»: он не просто распознает символы, а сохраняет логику документа, превращая его в готовый формат для RAG (Markdown/JSON). Это позволяет клиентам в разы быстрее выводить ИИ-продукты в эксплуатацию и закрыть вопрос импортозамещения, заменив зарубежные аналоги безопасным отечественным решением».

Продукт разработан в микросервисной архитектуре. Он поддерживает контейнеризированное развертывание в контуре заказчика и гибко масштабируется при росте нагрузок.