AI для документов: почему качество начинается до языковой модели

Если модель неверно прочитала сумму в таблице, причина может находиться задолго до генерации. Документ сначала распознают, преобразуют, делят на фрагменты и индексируют. На каждом этапе можно потерять заголовок, единицу измерения или связь строки с примечанием. Поэтому проект обработки документов следует оценивать по всей цепочке, начиная с исходного файла.

Разделить задачи, которые выглядят похожими

Поиск ответа в инструкции, извлечение полей из акта и сравнение редакций договора требуют разных критериев. Для поиска важно найти нужное основание и показать ссылку. Для извлечения — правильно заполнить схему, сохранив исходные значения. Для сравнения — отличить реальное изменение условия от перестановки абзацев или форматирования.

Составьте список форматов и типичных дефектов: сканы, фотографии, повёрнутые страницы, несколько колонок, рукописные поля и вложения. Не ограничивайте тест удобными PDF с готовым текстовым слоем. Плохое качество входа должно приводить к понятному статусу и ручной проверке, а не к уверенно заполненным вымышленным полям.

Проверить конвертацию отдельно

Docling предоставляет инструменты преобразования документов и настройки OCR и распознавания структуры таблиц 1. Это пример компонента обработки, а не гарантия корректности любого файла. Для выбранного инструмента зафиксируйте версию, режим и известные ограничения. Проверяйте результат конвертации до передачи текста модели.

Контрольная выборка должна содержать страницы с суммами, сносками, объединёнными ячейками и переносами таблицы. Сравнивайте не только наличие текста, но и его порядок. Если колонка «план» смешалась с колонкой «факт», дальнейший красивый пересказ закрепит ошибку. Для критичных чисел сохраняйте координаты или ссылку на участок исходного документа.

Спроектировать выходной результат

Задача	Результат	Критерий проверки
Извлечение реквизитов	Поля по установленной схеме	Значение и источник совпадают
Ответ по инструкции	Текст с ссылкой на пункт	Основание существует и актуально
Сводка отчёта	Краткое изложение с ключевыми числами	Нет потери существенных оговорок
Сравнение версий	Изменения с привязкой к редакциям	Правильно указаны обе стороны изменения

Отсутствующее поле следует явно отличать от нуля и пустой строки. Не позволяйте модели угадывать дату или реквизит ради заполненности формы. Для структурированного результата применяйте проверку типов, допустимых диапазонов и логических связей. Эта проверка не подтверждает смысл автоматически, но позволяет отсеять часть ошибок до попадания в бизнес-систему.

Сохранить происхождение и права

У каждого фрагмента должны сохраняться идентификатор документа, версия, страница и доступ. Если оригинал обновлён, индекс не должен незаметно смешивать старые и новые условия. Удаление документа требует согласованной обработки копий, фрагментов и кеша. В корпоративной системе доступ к фрагменту определяется до генерации ответа.

Документ может содержать постороннюю инструкцию для модели. OWASP рассматривает такие воздействия как риск prompt injection 2. Текст из файла не должен давать право вызвать инструмент или изменить политику приложения. Для загрузки внешних файлов также нужны ограничения размера, формата и времени обработки, чтобы один проблемный документ не остановил очередь.

Рассчитать инфраструктуру по этапам

OCR, извлечение изображений, создание embeddings и генерация имеют разные профили нагрузки. Не обязательно выполнять всё на одном ускорителе. Пакетную подготовку можно запускать в отдельное время или на отдельном ресурсе, сохраняя интерактивной части предсказуемую задержку. Сначала измерьте, где реально расходуется время.

Зафиксируйте количество страниц в обычный день и при массовой загрузке, долю сканов, размеры файлов и допустимый срок обработки. Число документов без этих характеристик мало помогает при выборе сервера. Один большой сканированный архив способен требовать больше работы, чем множество коротких текстовых инструкций.

Принять готовый процесс

Проведите проверку на новых документах, которых не было при настройке. Разберите ошибки по этапам: распознавание, структура, поиск, генерация и проверка результата. Назначьте ответственного за ручную очередь и повторную обработку. Экономику считайте по корректно завершённым документам с учётом исправлений.

Для чувствительных сведений используйте карту персональных данных. Для согласования ограничений подготовьте бриф проекта и архитектуру RAG. Покупать более мощную GPU стоит после выяснения, что ограничение связано с вычислениями, а не с качеством исходных файлов или ошибочной структурой обработки.