Tecnología
La tecnología detrás de mejores procesos de documentos
Nuestro trabajo combina modelos de reconocimiento, nuestros propios datos de fuentes y glifos, métodos de procesamiento de documentos y edición que respeta la estructura.
De los datos a los productos
- DatosFuentes, huellas de caracteres, glifos revisados
- ReconocimientoCaracteres y líneas de texto · AURORA OCR
- EstructuraMaquetación, secciones, campos · AURORA Resuminer
- EdiciónCambiar el contenido, mantener el diseño · AURORA PDFit, RESUMagic
- ProductosHerramientas para personas y tecnología para equipos
Cada producto usa las tecnologías que necesita su tarea. El esquema muestra nuestras áreas de experiencia, no un único modelo compartido por todos los productos.
Inteligencia de caracteres y fuentes
Toda tarea de reconocimiento y edición empieza por la forma de un carácter en una fuente concreta. Estos datos los hemos reunido y revisado nosotros.
Reconocimiento
Un modelo de caracteres basado en ConvNeXt-Small (≈ 49,5 M parámetros) lee caracteres sueltos con ≈ 99,85 % en caracteres limpios y ≈ 99,65 % en caracteres tipo escaneo en nuestra prueba interna. La siguiente etapa lee líneas de texto completas; la precisión preliminar por línea es de alrededor del 93–94 %.
Estructura del documento
Un documento es más que texto: columnas, títulos, bloques y las relaciones entre ellos. En los currículos llevamos esta estructura a un esquema de 234 campos en 21 bloques.
Procesamiento y edición
Editar un PDF significa cambiar el contenido sin tocar la tipografía, la maquetación ni los gráficos. PDFit usa las fuentes incrustadas en el documento; RESUMagic, en desarrollo, añade la comprensión de las secciones y bloques del currículum.
Entrenamiento y evaluación
Los modelos se entrenan con minería de ejemplos difíciles, reentrenamiento dirigido y daños simulados de escáner y cámara. Se prueban con datos internos reservados y con bancos de pruebas públicos, olmOCR-bench y UNLV.
¿Quieres usar esta tecnología?
Cuéntanos tus documentos y lo que necesitas conseguir.