cashcrown // аналіз документів
Doc Intelligence
doc-intellivePipeline, що перетворює безладні документи — PDF, скани, фото, DOCX — у структуровані, перевірювані дані: кожне поле з посиланням на джерело й порогом впевненості.
self-host
deploy
zero-retention
дані
4 tryby
джерела вводу
per-pole
впевненість
// 01
Проблема
Дані з документів або переписують вручну, або витягують готовим OCR, який ніколи не каже, чи помилився. Поле без джерела й без порога впевненості потрапляє в систему без перевірки, а одна неправильно прочитана сторінка коштує годин виправлень — або тихого перезапису важливого значення.
// 02
Можливості
- OCR з рівнем впевненості для кожного поля й символу
- класифікація типу документа й екстракція полів
- кожне поле з посиланням на фрагмент джерела
- поля з низькою впевненістю йдуть на перегляд людиною
- критичні поля ніколи не перезаписуються автоматично
// 05
Інтеграції
routerBGE-M3QdrantOllaman8nFastAPI
// 06
Архітектура
Виберіть вузол, щоб побачити опис і потік даних.
Архітектура — текстовий опис
- Вхід / дані
- Джерела даних — Контент, документи та події живлять індекс. (Потік до: BGE-M3)
- BGE-M3 — Локальні ембединги (1024-dim) — PII лишається локально. (Потік до: Роутер OpenClaw)
- Ядро AI
- Роутер OpenClaw — Єдиний вхід до моделей — маскує PII, добирає модель, лімітує. (Потік до: Doc Intelligence)
- Doc Intelligence — Pipeline, що перетворює безладні документи — PDF, скани, фото, DOCX — у структуровані, перевірювані дані: кожне поле з посиланням на джерело й порогом впевненості. (Потік до: API)
- Вихід
- API — REST-поверхня — відповіді з цитатами та контролем доступу. (Потік до: router, BGE-M3, Qdrant, Ollama)
- router — Інтеграція: router.
- BGE-M3 — Інтеграція: BGE-M3.
- Qdrant — Інтеграція: Qdrant.
- Ollama — Інтеграція: Ollama.
// 07
Демо наживо
// 08
FAQ
Скільки коштує, як рахуєте окупність і яка точність?
Працюємо в діапазонах залежно від обсягу — починаємо з пілота з фіксованою вартістю на вашій вибірці документів, щоб ви побачили реальну точність до більшої інвестиції. Точність подаємо діапазонами залежно від якості джерела: чисті цифрові PDF зазвичай 95–99% полів, добрі скани 90–97%, фото й слабкі скани 80–92% — саме тому поля з низькою впевненістю все одно йдуть на перегляд. Коли pipeline повертає від десятка до кількох десятків годин переписування на місяць, він зазвичай окупається за 2–4 місяці. Віддачу порахуєте в калькуляторі ROI.
Чи інтегрується з нашими системами і чи відповідає GDPR?
Так. Результати віддаємо через API та вебхуки (n8n), вбудовуємося у ваш документообіг і CRM, а незворотні дії — зокрема перезапис критичного поля — потребують підтвердження людини (human-gate). Pipeline self-hosted і працює в режимі zero-retention: документи з PII обробляємо локально, нічого не залишається після обробки, а відповідність GDPR та AI Act проєктуємо від початку.
З чого почати і які документи опрацюєте?
Починаємо з одного типу документа й кількох десятків ваших справжніх прикладів — цього достатньо, щоб виміряти точність і налаштувати пороги впевненості. Опрацьовуємо чотири режими вводу: цифрові PDF, скани, фото й DOCX (рахунки, договори, форми, протоколи). Після пілота розширюємо на нові типи й поля. Ми не обіцяємо 100% автоматизації — мета — впевнена екстракція там, де модель упевнена, і перегляд людиною там, де ні.
// →Повʼязане