Компании нужно отправить подрядчику техническую часть документа. В скане рядом с описанием работ находятся телефоны, стоимость и внутренние пометки. Сотрудник закрывает их прямоугольниками и сохраняет PDF, но под изображением может остаться доступный для копирования текст. Подготовка выдаваемой копии требует отдельно найти сведения и действительно удалить их из файла.
Mistral OCR 4.1 можно включить в поиск фрагментов для проверки. Ниже — предлагаемая схема обработки: распознавание, выбор удаляемых областей, утверждение, применение удаления и приёмка итогового PDF. OCR помогает читать документ и привязывать текст к странице; само удаление выполняет другой инструмент.
Решите, где допустимо читать оригинал #
При обращении к облачному OCR исходный скан поступает провайдеру до удаления сведений. Поэтому использовать тот же вызов как способ «сначала скрыть данные от облака» не получится. Место обработки оригинала выбирают до настройки модели, с учётом правил компании и условий выбранного сервиса.
Если оригинал нельзя передавать внешнему провайдеру, нужен допустимый внутренний этап распознавания или предварительное удаление в разрешённой среде. Наличие API OCR 4.1 не означает автоматически право использовать его для любого документа. В этом разборе не предполагается, что данные клиента уже разрешено отправлять в Mistral.
Для пилота подойдут подготовленные учебные документы, в которых известны все сведения для удаления. Это позволяет проверять качество процесса без передачи реальных договоров и переписки. Состав учебного набора должен повторять неудобные свойства рабочих файлов: поворот страниц, мелкий текст, штампы и плохой контраст.
Согласно карточке Mistral OCR 4.1 , модель возвращает границы абзацев на странице, структурные типы блоков и оценки уверенности для блоков. По этим данным можно показать проверяющему, где расположен распознанный фрагмент, и связать решение с конкретной областью оригинала.
Уверенность распознавания не отвечает на вопрос, содержит ли блок конфиденциальные сведения. Хорошо прочитанный абзац может требовать удаления, а плохо прочитанная подпись — содержать важные данные. Нужны отдельные правила определения кандидатов и очередь сомнительных областей.
В Document Processing Mistral распознавание и извлечение структуры используются как основа дальнейшей обработки. Для нашей задачи результатом первого этапа должен быть реестр страниц и блоков, а не готовый документ для отправки.
Опишите, что удалить, а что сохранить #
Перечень зависит от получателя и цели передачи. Для технического подрядчика могут быть нужны наименование оборудования и описание неисправности, но не контакты других исполнителей или условия оплаты. Правило «удалить все имена» способно убрать также название изделия или полезную ссылку на стандарт.
Разделите категории: явные идентификаторы, коммерческие условия, внутренние комментарии, подписи, печати и данные в изображениях. Форматы вроде телефона или email можно искать обычными правилами. Для контекстных сведений модель может предложить кандидата с объяснением, но окончательный выбор должен опираться на заданную политику выдачи.
У каждой отметки сохраняйте страницу, область, найденный текст, категорию, основание и решение проверяющего. Для повторяющихся документов полезен шаблон допустимых и удаляемых полей. Он снижает число отдельных решений, но не отменяет проверку необычных страниц и приложений.
Не обещайте точность до отдельного слова #
Граница абзаца удобна для удаления блока целиком. Если в одном абзаце смешаны нужная инструкция и телефон, потребуется более точное выделение: вручную в просмотрщике или отдельным средством локализации. Координаты абзаца сами по себе не становятся координатами каждого слова.
Сопоставьте систему координат OCR с системой просмотрщика: номер страницы, размер, масштаб и поворот. Ошибка здесь приводит к удалению соседней строки или частичному сохранению нужной области. Перед пакетной обработкой проверьте совпадение выделений на нескольких типах страниц.
Для изображения подписи, печати или рукописной пометки одного поиска по распознанному тексту может быть недостаточно. Добавьте визуальный просмотр таких областей. Низкое качество блока должно отправлять страницу на проверку, а не считаться отсутствием данных.
Примените удаление к отдельной копии #
Наложенная фигура и операция удаления содержимого — разные действия. В документации Adobe redaction относится к удалению видимого содержимого, а sanitization — к очистке скрытых данных, включая метаданные и встроенное содержимое.
Если выбран Acrobat Pro, предусмотренный маршрут включает поиск или ручную отметку областей, применение удаления и сохранение обработанной копии. Инструкция поиска и удаления текста отдельно описывает шаг Apply и возможность очистки скрытой информации. Это пример средства обработки PDF, а не обязательная часть Mistral OCR.
В собственной интеграции нужен инструмент, который удаляет выбранные объекты из итогового файла, а не просто рисует поверх них. Сохраняйте оригинал отдельно от выдаваемой копии и связывайте результат с утверждённой версией масок. Если исходник заменён, прежнее решение по координатам нельзя применять без повторного сопоставления.
Проверяйте именно файл для отправки #
Заново откройте сохранённую копию. Осмотрите удалённые области и соседний текст: полезная часть документа должна оставаться читаемой. Затем попробуйте поиск и копирование по известным учебным сведениям, которые требовалось удалить. Для автоматической проверки можно дополнительно извлечь текст из итогового PDF и искать те же контрольные значения.
Отдельно проверьте вложения, комментарии, скрытые слои и метаданные, если такие элементы присутствуют в исходнике. Очистка только видимой страницы не подтверждает, что файл готов к выдаче. Следует учитывать и имя самого файла: оно тоже может содержать номер клиента или внутреннюю пометку.
Повторное OCR итоговых страниц полезно как дополнительная проверка видимого содержимого, но не заменяет поиск скрытого текста и вложений. И наоборот, чистый текстовый слой не доказывает, что на фотографии в приложении не осталась нужная для удаления надпись.
Как оценивать качество процесса #
На учебном наборе заранее разметьте обязательные удаления и полезные сведения, которые нужно сохранить. Считайте пропущенные фрагменты отдельно от лишних удалений. Средняя доля правильно обработанных страниц может скрывать единичный, но существенный пропуск.
Проверьте повторяющиеся значения на разных страницах, смешанный текст с изображениями, поворот скана и плохое распознавание. Убедитесь, что результат остаётся связан с исходником и решением проверяющего, а в отправку попадает новая обработанная копия.
Такая схема помогает организовать удаление выбранных сведений. Вопрос, можно ли по оставшемуся содержанию снова определить человека или компанию, требует отдельной оценки: маски на именах и телефонах не устраняют все возможные связи. Поэтому результат приёмки должен соответствовать конкретной цели передачи документа.
Организуйте выдачу обработанной копии #
NetLabCS поможет связать распознавание, проверку областей и выдачу копий с документными процессами вашей компании. Для обсуждения обработки сканов подготовьте учебный документ, перечень удаляемых сведений и требования к месту обработки: определим роль OCR, инструмент удаления и проверки итогового файла перед передачей.
