OCR и интеллектуальная обработка документов (IDP): в чём разница
Основы3 минРедакция Innovialabs
Коротко
OCR превращает изображение документа в текст; IDP идёт дальше и понимает документ — определяет его тип, извлекает нужные поля, проверяет их и отправляет сомнительные случаи человеку, чтобы данные сразу попадали в ваши системы.
Короткий ответ
OCR (optical character recognition, оптическое распознавание символов) отвечает на один вопрос: какие символы есть на странице? Вы даёте скан или фото — получаете текст, иногда с координатами каждого слова.
IDP (intelligent document processing, интеллектуальная обработка документов) отвечает на другой: что этот документ значит для моего процесса? Он берёт результат OCR и добавляет понимание: что это за документ, какие значения важны (номер счёта, дата, сумма, ИНН), верны ли они и что делать, если нет.
OCR даёт текст. IDP даёт структурированные проверенные данные, готовые для учётной системы, CRM или ERP.
Что происходит внутри IDP
- Приём. Документы приходят из почты, со сканеров, из мобильного приложения, Telegram-бота или формы загрузки.
- Предобработка. Поворот, обрезка, удаление шумов, разделение PDF, в котором склеено несколько документов.
- OCR. Распознаются текст и структура страницы. OCR — часть IDP, а не его конкурент.
- Классификация. Система определяет тип: счёт, договор, паспорт, накладная, чек.
- Извлечение полей. Для каждого типа достаются конкретные поля, включая таблицы — например, товарные позиции. Современные системы используют модели, учитывающие разметку страницы, или LLM вместо жёстких шаблонов.
- Валидация. Проверки вроде: сходится ли сумма позиций с итогом, корректна ли дата, есть ли такой ИНН в списке поставщиков, совпадает ли номер заказа с открытым заказом.
- Ручная проверка. Поля с низкой уверенностью или проваленными проверками уходят оператору: он видит изображение рядом с извлечённым значением и исправляет его.
- Выгрузка. Чистые данные передаются в целевую систему через API или интеграцию.
Исправления операторов можно использовать, чтобы со временем улучшать извлечение.
Сравнение
| OCR | IDP | |
|---|---|---|
| Результат | Сплошной текст, иногда с координатами | Именованные поля и таблицы в JSON или базе |
| Понимает тип документа | Нет | Да |
| Разные макеты | Текст — да, смысл — нет | Да, в пределах настроенных типов |
| Проверяет правильность | Нет | Бизнес-правила и перекрёстные сверки |
| Участие человека | Не предусмотрено | Встроенная очередь проверки |
| Интеграция | Логику пишете сами | Часть конвейера |
| Трудоёмкость запуска | Низкая | Выше: типы, поля, правила, интеграции |
Какой уровень нужен вашему документообороту
Простого OCR хватит, если:
- нужен архив с поиском (сделать сканы PDF доступными для полнотекстового поиска);
- текст всё равно читают люди, а вы просто хотите копировать его вместо перепечатывания;
- документов немного, и ошибки дёшево исправить вручную.
IDP оправдан, если:
- данные должны попасть в систему в виде полей, а не текста;
- поток документов стабильный, и ручной ввод заметно загружает сотрудников;
- макеты различаются от поставщика к поставщику;
- ошибки дорого стоят: неверная сумма платежа, не тот клиент, проблемы с проверками;
- нужен журнал: кто и какое значение подтвердил.
Промежуточный вариант: OCR плюс простые правила извлечения для одной-двух фиксированных форм, которые не меняются. Это работает, пока макеты одинаковые, — как только они начинают различаться, правила ломаются.
Частые ошибки
- Оценивать только качество распознавания. Идеальный текст бесполезен, если итоговая сумма взята не из той строки.
- Пропускать валидацию. Без перекрёстных проверок ошибки извлечения тихо утекают в бухгалтерию.
- Сразу целиться в полную автоматизацию. Начните с проверки всего человеком и снижайте её долю по мере роста уверенности.
- Игнорировать плохие входные данные. Размытые фото с телефона, печати поверх текста и рукописные поля нужно тестировать на реальных образцах, а не на чистых демо-файлах.
- Забыть о защите данных. Паспорта, договоры и счета содержат персональные и коммерческие данные — решите, где они обрабатываются и хранятся.