Extrahujte specifikace a data produktů z PDF dodavatelů

Extrakce se skóre spolehlivosti a dohledatelností

Extrahované hodnoty kontrolujte vedle dokumentu dodavatele. Skóre spolehlivosti extrakce a doklady ve formě strany a citace vám pomohou rozhodnout, co zkontrolovat nejdřív; nejsou zárukou, že je specifikace správná.

Výsledkem jsou strukturovaná produktová data, kterým můžete věřit: konzistentní názvy polí, normalizované hodnoty a jasná auditní stopa od datového bodu ke zdrojovému dokumentu.

Specifikace a atributy

Doc2Shelf tato data extrahuje pomocí AI. Identifikuje identifikátory produktů, specifikace, materiály, rozměry a pole relevantní pro shodu, strukturuje je konzistentně a ke každému poli připojí skóre spolehlivosti, abyste věděli, co je třeba ověřit.

Výsledkem jsou strukturovaná produktová data, kterým můžete věřit: konzistentní názvy polí, normalizované hodnoty a jasná auditní stopa od datového bodu ke zdrojovému dokumentu.

Od PDF k produktovým nabídkám, návrhům prohlášení a datům zaměřeným na DPP

Extrakce je základem všech dalších kroků. Stejná zkontrolovaná strukturovaná data lze použít pro nabídky na Shopify a WooCommerce, zkontrolovatelný návrh textu pro eBay, návrhy prohlášení pro EU/USA, příslušný obsah GPSR a samostatný strukturovaný JSON zaměřený na DPP pro navazující implementaci.

Surová strukturovaná data exportujte jako JSON nebo CSV, pokud je chcete použít ve vlastních systémech, nebo je použijte k přípravě nabídek a návrhů prohlášení ke kontrole.

Stvořeno pro škálování

Nahrajte až 500 PDF najednou v rámci limitu dokumentů vašeho tarifu a nechte pipeline na pozadí extrahovat je paralelně. Znovupoužité extrakce a konzistentní struktura udržují velké katalogy koherentní a kontrolní brána udržuje vysokou kvalitu předtím, než je cokoli následně publikováno.

Které dokumenty dodavatelů fungují nejlépe

Doc2Shelf extrahuje data z PDF souborů, které nahrajete; neprochází portály dodavatelů ani za vás dokumenty nestahuje. Přečíst lze digitální i skenovaná PDF, i když špatné skeny snižují spolehlivost extrakce, a dokument, který pokrývá několik produktů, vytvoří několik produktových záznamů.

Co ze souboru získáte, závisí na druhu dokumentu:

Co se extrahuje a kde se to využije

Každá extrakce vrací produktové záznamy uspořádané do stejných skupin polí bez ohledu na rozvržení dodavatele. Skupiny přímo odpovídají obsahu, který Doc2Shelf připravuje dál, takže hodnota jednou zkontrolovaná se znovu použije všude, kde je potřeba.

Vedle strukturovaných polí si extrakce uchovává své doklady: seznam faktů s číslem strany a krátkou doslovnou citací, každou datovou tabulku reprodukovanou řádek po řádku, fakta, která nezapadají do žádného standardního pole, a seznam požadovaných informací, které dokument neobsahoval. Informace, které stále chybí při generování nabídek nebo návrhů prohlášení, se zobrazí jako zástupný symbol [REQUIRED: …] místo vymyšlené hodnoty.

Skóre spolehlivosti, doklady a kontrolní brána

Každá extrakce nese skóre spolehlivosti a skóre úplnosti spolu s poznámkami k výhradám, jako jsou nečitelné oblasti, nejednoznačné hodnoty nebo kvalita skenu. Podle nich se rozhodněte, kam se podívat nejdřív. Vysoké skóre nezaručuje, že je hodnota správná, a nízké skóre obvykle ukazuje na problém dokumentu – špatný sken, nejasnou tabulku –, který může stát za opravu u zdroje.

Nic z extrahovaného se nepublikuje ani neexportuje bez kontroly. Když obsah označíte jako zkontrolovaný, Doc2Shelf zaznamená otisk (hash) obsahu; jakákoli pozdější úprava otisk změní a kontrolu zneplatní, takže publikování a export zůstanou zablokované, dokud někdo změněnou verzi nezkontroluje. Praktické pořadí kontroly:

• Začněte dokumenty s nejnižší spolehlivostí nebo úplností.
• Nejdříve ověřte identifikátory a bezpečnostně významné hodnoty podle citovaných dokladů.
• Potvrďte, že každá hodnota z tabulky s více modely patří ke správnému produktu.
• Označená chybějící data vyřešte s dodavatelem, místo abyste je doplňovali sami.
• Označte obsah jako zkontrolovaný a po každé úpravě jej zkontrolujte znovu.

Dávková extrakce a výstupní formáty

Nahrajte až 500 PDF v jedné dávce v rámci limitu dokumentů vašeho tarifu a extrakce poběží na pozadí. Zabudované šablony zaměří extrakci na určitý typ dokumentu – Etiketa potraviny, SDS / chemická látka, Specifikace elektroniky nebo Obecný produkt – a můžete zvolit oblasti zaměření, přidat vlastní pokyny, zapnout auditní režim, který zachytí každý fakt a každý řádek tabulky s citací, a podle tarifu uložit svá nastavení jako šablonu pro dalšího dodavatele.

Hodnoty zůstávají v jazyce dokumentu a s jednotkami přesně tak, jak jsou vytištěny, takže se mezi zdrojem a vaší kontrolou nic tiše nepřevádí. Po kontrole data opouštějí Doc2Shelf ve formátu, který daný pracovní postup potřebuje:

Čím se liší od obecných parserů PDF a nástrojů OCR

Obecné nástroje pro převod PDF do tabulek a enginy OCR řeší jen část problému: dostanou ze souboru text a tabulky. Přeměna textu na produktové záznamy – a těchto záznamů na nabídky a návrhy dokumentů o shodě – je část, kterou nechávají na vás. Srovnání níže se týká typu nástroje, nikoli konkrétního produktu.

Obecný nástroj je jednodušší volbou, když potřebujete jen zkopírovat jednu čistou tabulku do tabulkového procesoru nebo když zpracováváte velké objemy jednoho pevného formuláře. Doc2Shelf je postaven pro opačný případ: mnoho dodavatelů, různá rozvržení a data, která musí skončit v nabídkách a návrzích prohlášení. Návod k extrakci produktových dat z PDF porovnává všechny metody podrobněji.

Kvalita dat a omezení

AI extrakce může hodnotu přehlédnout, špatně ji přečíst – zejména u špatných skenů, hustých tabulek nebo hodnot uvedených jen na výkresech – nebo přiřadit hodnotu ke špatnému modelu v tabulce s více produkty. Proto existuje kontrolní brána a proto si extrakce uchovává doklady, které můžete ověřit. Tyto hranice znejte dříve, než začnete plánovat migraci katalogu:

• Extrahuje jen to, co dokument uvádí; chybějící hodnoty nehledá jinde ani je neodhaduje.
• Jednotky a hodnoty zůstávají tak, jak jsou vytištěny. Převod jednotek a normalizace seznamů hodnot pro vaše kanály jsou součástí vaší kontroly; jak na to, popisuje návod k produktovým atributům.
• SKU se zachytí pouze tehdy, když ho dokument výslovně označuje; nikdy se neodvozuje z názvu souboru ani z čísla modelu.
• Normy, označení a odkazy na certifikáty se zaznamenávají tak, jak jsou uvedeny. Doc2Shelf netestuje výrobky, neposuzuje shodu ani neověřuje certifikáty.
• Text zůstává v jazyce dokumentu; překlad nabídky je samostatný krok, který vytváří návrhy připravené ke kontrole.
• Nahrávají se soubory PDF; jiné formáty je třeba nejprve uložit jako PDF.