Россия технологии люди общество политика рубль крипто Россия

MAX. ИИ‑юрист: консультант и помощник

UPD от 11:35: UPD (бета‑тест локальный OCR под 152-ФЗ): По следам обсуждения в комментариях полностью убрал передачу фотографий во внешние Vision‑модели и перевёл распознавание изображений и сканов на российский сервер.Сначала быстро поднял RapidOCR на ONNX, но первый же боевой тест на русском полисе страхования показал, что его дефолтная модель плохо справляется с кириллицей (начинает подменять русские буквы латиницей и цифрами).

В итоге перевёл контур на лёгкий Tesseract OCR (tesseract-ocr-rus) с предобработкой в OpenCV (масштабирование мелких шрифтов + шумоподавление bilateralFilter + выравнивание контраста CLAHE) и рендером пустых PDF‑сканов через PyMuPDF, а заодно усилил регулярки анонимайзера под адреса и даты рождения.Для лёгкого VPS без GPU сравнение двух подходов на боевом документе выглядело так:ПараметрRapidOCR (onnxruntime)Tesseract OCR (tesseract-ocr-rus) + OpenCV Потребление RAM в работе ~350–500 МБ на процесс~50–100 МБ на процесс Вес зависимостей в Docker ~250+ МБ (onnxruntime + модели)~35 МБ (бинарник + словарь rus) Скорость на 1 странице (CPU) 2–5 секунд 0.5–1.5 секунды Качество русской кириллицы Плохое из коробки (без дообучения)Отличное на печатных документах и сканахТеперь весь пайплайн единый и строго локальный: фото и сканы распознаются в памяти сервера в РФ, персональные данные заменяются на теги ([ФИО_1], [ПАСПОРТ_1], [АДРЕС_1]), и во внешний шлюз уходит только обезличенный текст.Поскольку я прямо сейчас продолжаю выкатывать улучшения по вашим отзывам, во время рестарта контейнеров (пару секунд) сообщение может не уйти с первого раза — если вдруг такое случится, просто продублируйте запрос.

DMCA