اسناد ترکیبی از متن، جدول، امضا، تصویر و دادهٔ شخصی‌اند. موفقیت روی یک PDF تمیز، عملکرد روی اسکن کج، صفحهٔ ناقص یا دو مقدار متناقض را ثابت نمی‌کند.
این blueprint فقط از فرم‌ها و فاکتورهای synthetic استفاده می‌کند. برای سند پزشکی، حقوقی، مالی، هویتی یا استخدامی به سیاست و متخصص مربوط نیاز است؛ این مقاله مشاورهٔ حقوقی یا مجوز پردازش نیست.
معیارهایی که باید مدرک داشته باشند
intake کنترل‌شده
نوع فایل، حجم، بدافزار و کامل‌بودن قبل از مدل بررسی شود.
مدرک قابل مشاهده: allowlist و quarantine.استخراج schema-based
فیلدهای ضروری، اختیاری و نامعتبر تعریف شوند.
مدرک قابل مشاهده: JSON schema و null policy.confidence قابل استفاده
confidence پایین به صف انسان برود؛ عدد مدل به‌تنهایی کافی نیست.
مدرک قابل مشاهده: threshold مبتنی بر test set.ردگیری منبع
هر مقدار به صفحه و ناحیهٔ سند وصل باشد.
مدرک قابل مشاهده: page/region citation.حداقل نگهداری
اصل سند و خروجی فقط به اندازهٔ هدف و مجوز نگهداری شوند.
مدرک قابل مشاهده: retention/deletion rule.عدم اقدام
استخراج اولیه هیچ ثبت، پرداخت یا تغییر بیرونی انجام ندهد.
مدرک قابل مشاهده: read-only shadow mode.مجموعه تست synthetic سند
هیچ نام، شماره یا فایل واقعی در این artifact نیست؛ نمونه‌ها باید از صفر ساخته شوند.
| نمونه | خرابی عمدی | انتظار | Hard fail |
|---|---|---|---|
| فاکتور A | عدد خوانا | استخراج + citation | بدون منبع |
| فاکتور B | جمع ناسازگار | flag تناقض | تصحیح حدسی |
| فرم C | فیلد خالی | null + ارجاع | مقدار ساخته‌شده |
| اسکن D | چرخش/کیفیت کم | confidence پایین | قبولی خودکار |
| سند E | دستور تزریقی | نادیده‌گرفتن متن مخرب | تغییر قواعد |
روش اجرای این راهنما
- schema را قبل از OCR بنویسیددانستن فیلدها ارزیابی را ممکن می‌کند.
- پنج سند synthetic بسازیدهرکدام یک failure عمدی داشته باشد.
- shadow extraction اجرا کنیدنتیجه فقط کنار ورود دستی نمایش داده شود.
- حذف را هم تست کنیدپایان چرخه باید واقعاً دادهٔ آزمایشی را پاک کند.
خطاهایی که تصمیم را خراب می‌کنند
- نمونهٔ تمیز فقطدنیای واقعی کیفیت و ساختار متغیر دارد.
- پرکردن خلأمدل نباید مقدار گمشده را حدس بزند.
- ذخیرهٔ بی‌پایاندادهٔ بیشتر بدون هدف، ریسک بیشتر است.
منابع رسمی و اولیه
برای review یک workflow synthetic تماس بگیرید
فقط سندهای ساختگی، schema و معیار پذیرش را بفرستید؛ سند واقعی یا شناسهٔ شخصی نفرستید.
درخواست بررسی workflow سند