Майкрософт випустила DiT-large для розуміння зображень документів

TL;DR

• •DiT-large — трансформерний енкодер для зображень документів
• •Натренована на 42 мільйонах документних зображень
• •Доступна на Hugging Face під ліцензією MIT
• •Потребує GPU для ефективного інференсу
• •Основне застосування — класифікація та аналіз розмітки документів

Як це змінить ваш ринок?

Для виробничих та логістичних компаній, які обробляють великі обсяги паперових документів, DiT-large може стати базою для автоматизації введення даних. Однак без готового інтерфейсу або SaaS-обгортки впровадження вимагає внутрішньої РНД-команди, що робить його недоступним для SMB без технічних ресурсів.

Визначення: DiT-large — це Document Image Transformer-large, модель типу BERT, натренована на великій колекції зображень документів для витягнення ознак без надзору.

Для кого це і за яких умов (ОБОВ'ЯЗКОВО: мін. обладнання/бюджет, потрібна команда чи ні, мін. масштаб, час на впровадження.

• •Потрібна GPU з 24GB+ пам’яттю для комфортного використання
• •Потрібна внутрішня команда ML-інженерів (2+ особи)
• •Час на впровадження: 2-4 тижні для прототипу
• •Масштаб: має сенс від 100+ документів на день обробки

Альтернативи (ТАБЛИЦЯ: | | Продукт 1 | Продукт 2 | Продукт 3 | з колонками: Ціна, Де працює, Мін. вимоги, Ключова різниця.

| | Google Document AI | Azure Form Recognizer | Amazon Textract | | Ціна | $1.50/1000 сторінок | $1.00/1000 сторінок | $1.50/1000 сторінок | | Де працює | Хмарний API | Хмарний API | Хмарний API | | Мін. вимоги | Інтернет-з’єднання | Azure-акаунт | AWS-акаунт | | Ключова різниця | Підтримка багатьох мов | Глибока інтеграція з Azure | Оптимізовано для форм та чеків |