כדי לאוטמט ניתוח של מסמכי מכרז עם AI, מעבירים את ה-PDF דרך אקסטרקטור שדות שמחזיר JSON מוקלד בדיוק לפי הסכמה שהמערכת שלכם מצפה לה - צדדים, מועדים, קנסות, סכומי חיובים ושורות פריטים. האופציה הפתוחה החדשה היא Dharma Field Extractor, מודל עם 2 מיליארד פרמטרים שמקבל תמונת מסמך פלוס סכמה ומחזיר שדות מובנים בקריאה אחת.
המודל פורסם ב-Hugging Face ב-4 בנובמבר על ידי Dharma-AI, בנוי על DharmaOCR-LITE v1.1 עם LoRA adapter שאומן על 43,384 דוגמאות באנגלית, פורטוגזית ובחלק קטן יותר של שפות אירופאיות ואסייתיות. שני מצבים: פתוח (בלי סכמה, מחזיר כל זוג מפתח-ערך שהוא מזהה מהלייאאוט) ומונחה-סכמה (המפתחות והטיפוסים המדויקים שלכם, עם null במקומות שבהם המסמך חסר שדה). אותו checkpoint מטפל בחשבוניות, תעודות זהות, הפניות רפואיות וחוזים, בלי fine-tuning נפרד לכל סוג.
לעסק קטן - קליניקה, משרד עורכי דין, סוכנות או חנות עם מלאי - זה בדיוק החלק שהיה יקר. קריאה למודל פרונטיר על כל חשבונית, תעודת זהות או נספח מכרז נכנסת לתקציב מהר כשהנפח עולה, ושינויי פרומפט שוברים בשקט מערכות במורד הזרם. מודל של 2B שאפשר לארח בזול נכנס לכל webhook של n8n או pipeline ב-Python - בדיוק כך אני מחבר פלט מוקלד לפי סכמה בפייפליין לניתוח מכרזים שבניתי שמחלץ קנסות ומועדים ממאות עמודים. שימו עין על recall בסריקות רועשות ועל טבלאות ארוכות ומקוננות לפני שמעבירים את ה-API.
למה זה חשוב: אם אתם מזרימים מסמכים לבסיס נתונים בכמויות, אקסטרקטור קטן ומתמחה כבר עוקף APIs פרונטיר בעלות ובהשהיה בדיוק על צורת ה-JSON שהמערכת שלכם משתמשת בה ממילא.
מקור: Hugging Face