Ertas 助力数据提取

    用您自己的文档格式(发票、表单、报告、合同)微调 AI 模型,准确提取结构化数据,再把模型部署在您自己的基础设施上运行。

    The Challenge

    每个组织都被非结构化文档淹没。发票以数十种供应商特有的格式到达。监管申报遵循每个报告周期都会变化的模板。保险理赔、医疗入院表、货运清单和法律合同都包含困在 PDF、扫描图像和自由文本字段中的关键结构化信息。传统的 OCR 和基于规则的提取系统是脆弱的——每当供应商更改发票布局或表单添加新字段时它们就会崩溃。维护数百个提取模板是一项永远做不完的全职工作。

    通用 AI 模型可以开箱即用地处理简单的提取任务,但在领域特定格式上表现不佳。它们在非标准布局上混淆「发票日期」和「到期日期」,错误解析多行地址字段,无法提取金融和监管文档中常见的嵌套表格结构。在边缘案例——产生 80% 手动修正工作量的 20% 文档——上的准确性在没有领域特定训练的情况下仍然顽固地低。对于处理医疗记录、税务申报或法律合同等敏感文档的组织,将这些文档发送到第三方 API 进行提取会造成不可接受的数据暴露风险。

    The Solution

    Ertas Studio 让数据工程团队用实际的文档格式训练提取模型。团队把标注好的示例上传为 JSONL 数据集,或从 Hugging Face 导入:发票配上标注好的字段,表单配上其中的键值对,报告配上团队想要的结构化输出。Studio 通过可视化画布,在 Ertas 的云端 GPU 上用 LoRA 对开源模型进行微调,并可并行运行多次训练,方便团队并排比较不同的基础模型和参数设置。出现新的文档格式时,团队只需补充示例、重新训练,不必再写一条模板规则。

    训练好的模型会出现在 Hub 中,团队可以下载 GGUF 格式供 llama.cpp 或 Ollama 使用,或下载完整的 safetensors 供 vLLM 等服务器运行时使用。之后模型在公司自己的服务器上运行,接入现有的文档处理流水线:输入文本,输出结构化 JSON,处理的文档始终留在公司网络内。训练时,训练示例会上传到 Ertas,因此处理敏感文档的团队应先删除或遮盖训练集中的个人信息和机密内容。数据集会被保存,以便重复训练,团队也可以随时删除。

    Key Features

    Studio

    文档提取微调

    使用 Studio 的可视化画布,在标注文档示例组成的 JSONL 数据集上微调开源模型:带标注字段的发票、提取出键值对的表单、带结构化输出映射的报告。LoRA 训练让每次运行都快速且成本低,支持一种新文档格式只需补充示例、再训练一次。

    Studio

    在 Data Craft 中审核示例

    在 Studio 的引导式数据集构建器 Data Craft 中构建和完善训练集。财务、法务或运营人员可以编辑示例提取结果、保存数据集版本,并逐条标记为已批准,让模型从熟悉这些文档的人核对过的输出中学习。

    Hub

    导出归您所有的模型

    每个训练好的模型都会列在 Hub 中。可下载 GGUF 格式用于 llama.cpp、Ollama 或 LM Studio,或下载完整的 safetensors 用于 vLLM 等服务器运行时。模型归您所有,运行时不依赖任何 Ertas 服务。

    Hub

    在您的流水线内完成提取

    在您自己的服务器上运行导出的模型,由现有的 ETL 作业、文档管理系统和 RPA 工作流直接调用。输入文档,输出结构化 JSON,处理的文档留在您的网络内。

    Example Workflow

    一家物流公司每月处理来自 300 家供应商的 15,000 张发票,每家的版式都略有不同。财务运营团队标注了 5,000 张有代表性的发票,标出供应商名称、发票号、明细行、数量、单价、税额和付款条件,并在把 JSONL 数据集上传到 Ertas Studio 之前遮盖了个人联系方式。团队并行训练 Mistral 7B 和 Qwen 2.5 7B,用一组模型从未见过的预留发票比较两次训练的结果,保留表现更好的一个。随后从 Hub 导出 GGUF,部署在公司内网的一台服务器上,接入应付账款流程。每张新发票都交给模型处理,模型返回结构化 JSON。团队自行设定规则:哪些提取结果直接进入 ERP 系统,哪些交给人工复核(模型的输出已预先填好)。修正过的疑难案例在 Data Craft 中复核后加入训练集,用于下一次训练。

    Related Resources

    Ship AI that runs on your users' devices.

    Start free with 150 credits after card verification. Paid plans from $20/mo USD.