详细内容或原文请订阅后点击阅览
从 4 周到 45 分钟：为 4,700 多个 PDF 设计文档提取系统
混合 PyMuPDF + GPT-4 Vision 管道如何取代 8,000 英镑的手动工程工作，以及为什么最新模型不是答案这篇文章《从 4 周到 45 分钟：为 4,700 多个 PDF 设计文档提取系统》首先出现在 Towards Data Science 上。
来源:走向数据科学并询问我是否可以帮助从 4,700 多个工程图 PDF 中提取修订号。他们正在迁移到新的资产管理系统，需要每张图纸的当前 REV 值，即每个文档标题栏中隐藏的一个小字段。另一种方法是由工程师团队逐一打开每个 PDF，找到标题栏，然后手动将值键入到电子表格中。按每张图两分钟计算，大约需要 160 个人时。工程师的四个星期时间。以每小时大约 50 英镑的满载速度计算，对于一项除了填充电子表格列之外不会产生任何工程价值的任务，其劳动力成本超过 8,000 英镑。
这不是人工智能问题。这是一个具有实际限制的系统设计问题：预算、准确性要求、混合文件格式以及需要可信任结果的团队。人工智能是解决方案的组成部分之一。围绕它的工程决策才是真正使系统发挥作用的因素。
“简单”PDF 隐藏的复杂性
工程图不是普通的 PDF。有些是在 CAD 软件中创建的，并导出为基于文本的 PDF，您可以在其中以编程方式提取文本。其他的，特别是 20 世纪 90 年代和 2000 年代初的遗留图画，是从纸质原件扫描出来并保存为基于图像的 PDF。整个页面是平面光栅图像，根本没有文本层。
我们的语料库大约 70-80% 基于文本，20-30% 基于图像。但即使是基于文本的子集也是危险的。 REV 值至少以四种格式出现：连字符数字版本，如 1-0、2-0 或 5-1；单个字母，如 A、B、C；双字母，如 AA 或 AB；有时字段为空或缺失。有些图纸旋转了 90 或 270 度。许多修订历史记录表（多行更改日志）位于当前 REV 字段旁边，这是一个明显的误报陷阱。沿绘图边框的网格参考字母很容易被误认为是单字母修订。