Tesseract OCR

Определение

Инструмент оптического распознавания символов (OCR) для извлечения текста из сканов и изображений. Применяется в RAG-пайплайнах, но не сохраняет структуру диаграмм и графиков, что ограничивает его использование для сложных документов.

Где встречается

• 1. Как бы вы спроектировали RAG-систему для 10 000 документов с разной структурой
• 85. Как вы обрабатываете смену форматов документов (legacy + новые форматы)
• 112. Как вы извлекаете логические отношения из диаграммы, а не просто текст
• 113. Как вы представляете граф знаний из изображения для LLM
• 114. Что такое Layout-Aware Chunking и как он связан с мультимодальностью
• 116. Как вы индексируете видео-контент в RAG-системе
• 118. Как вы проверяете, что LLM правильно «понял» диаграмму, а не просто угадал
• 256. Как вы проектируете ETL пайплайн для 1M документовдень в RAG систему
• 272. Как вы проверяете качество parsing документов (PDF, DOCX) в production
• 362. Что такое Fuyu-8B и чем архитектурно отличается от GPT-4V
• 527. Как вы проверяете качество парсинга документов (PDF, DOCX) в production
• 528. Как вы обрабатываете corrupted или empty документы в ingestion пайплайне
• 540. Как работает Q-Former в BLIP-2 и зачем он нужен
• 542. Как вы парсите сложные PDF с таблицами и графиками (не просто текст)
• 546. Как вы индексируете видео-контент в RAG-системе
• 550. Как работает OCR для RAG Недостатки и когда его недостаточно
• 553. Что такое LayoutLMv3 и зачем он для document understanding
• 556. Как вы делаете extraction таблиц из PDF для RAG
• 564. Как работает модели типа Kosmos-2 (grounding объектов на изображении)
• 621. Как вы защищаете LLM от prompt injection через изображения (VL-модели)
• 800+ вопросов

Навигация

• Индекс терминов
• Индекс разборов
• Оглавление