With over 20 years of experience, we transform your digital presence. We specialize in website and E-Shop development, SEO and Digital Marketing, ERP software and smart automation that take your business to the next level.
Address:
154 Egnatia Street, Thessaloniki 546 36
Phone:
+30 231 231 4095
E-mail:
hello@twodots.gr
Ready for the next step?;
Το Infinity-Parser2 μετατρέπει σελίδες σε δομημένο περιεχόμενο. Τι δείχνουν τα benchmarks και πώς στήνεται ένα ασφαλές pilot Document AI για επιχειρήσεις.
The Infinity-Parser2 είναι ένα ανοικτό πολυτροπικό μοντέλο Document AI που μετατρέπει σελίδες σε δομημένο περιεχόμενο, διατηρώντας στοιχεία όπως layout, πίνακες, τύπους, bounding boxes και σειρά ανάγνωσης. Για μια επιχείρηση, η ουσία δεν είναι να αντικαταστήσει απλώς το OCR, αλλά να δημιουργήσει ελέγξιμη είσοδο για e-commerce, αναζήτηση γνώσης, customer support, οικονομικές ροές και αυτοματισμούς.
Ένα PDF μπορεί να είναι τιμολόγιο, οικονομική κατάσταση, κατάλογος προμηθευτή, τεχνικό εγχειρίδιο, παρουσίαση ή αναφορά με πίνακες και γραφήματα. Αν ένα σύστημα διαβάσει σωστά τις λέξεις αλλά χάσει τη σχέση μιας τιμής με την επικεφαλίδα της, τη σειρά ανάγνωσης σε δύο στήλες ή τη δομή ενός πίνακα, το αποτέλεσμα μπορεί να είναι άχρηστο για αναζήτηση και επικίνδυνο για αυτοματοποίηση.
Το Infinity-Parser2 αντιμετωπίζει την κατανόηση εγγράφων ως ενιαία εργασία εικόνας προς δομημένη ακολουθία. Εντοπίζει στοιχεία στη σελίδα, αναγνωρίζει περιεχόμενο και γεωμετρία, ανακατασκευάζει τη σειρά ανάγνωσης και παράγει μορφές όπως Markdown, HTML, LaTeX, SMILES και δομημένες αναπαραστάσεις γραφημάτων. Η τεχνική έκθεση το παρουσιάζει ως large multimodal model με ελεγχόμενη σύνθεση δεδομένων και multi-task reinforcement learning.
Αυτό δεν σημαίνει ότι κάθε έξοδος είναι έτοιμη να ενημερώσει ERP, PIM, CRM ή knowledge base. Σημαίνει ότι το perception layer μπορεί να διατηρήσει περισσότερη δομή από ένα απλό text extraction. Η επιχειρησιακή αξιοπιστία εξακολουθεί να εξαρτάται από schema, κανόνες συνέπειας, provenance, δοκιμές στα πραγματικά έγγραφα και σαφή όρια για το τι επιτρέπεται να κάνει η επόμενη εφαρμογή.
Το κλασικό OCR απαντά κυρίως στην ερώτηση «ποιοι χαρακτήρες εμφανίζονται στην εικόνα;». Το Document AI πρέπει επιπλέον να απαντήσει ποια περιοχή είναι τίτλος, ποια είναι πίνακας, ποιο κελί ανήκει σε ποια στήλη, ποια λεζάντα συνοδεύει ένα γράφημα και με ποια σειρά διαβάζονται οι στήλες. Η διαφορά γίνεται κρίσιμη σε πυκνές σελίδες, σαρώσεις χαμηλής ποιότητας, οικονομικούς πίνακες χωρίς περιγράμματα και έγγραφα με τύπους ή μικτό περιεχόμενο.
Δύο επίπεδα ανάγνωσης του ίδιου εγγράφου
Εξάγει το ορατό κείμενο. Είναι χρήσιμο όταν η σελίδα είναι απλή και το επόμενο σύστημα δεν χρειάζεται αξιόπιστη ιεραρχία, πίνακες, γεωμετρία ή σύνθετη σειρά ανάγνωσης.
Συνδέει κείμενο, θέση, τύπο στοιχείου και σειρά ανάγνωσης ώστε η έξοδος να μπορεί να ελεγχθεί ως πίνακας, φόρμα, κατάλογος ή σύνθετη σελίδα.
Οι pipeline προσεγγίσεις χωρίζουν την εργασία σε layout detection, αναγνώριση ανά τύπο στοιχείου και τελική επανασύνθεση. Προσφέρουν στοχευμένη βελτιστοποίηση, αλλά ένα λάθος σε πρώιμο στάδιο μεταφέρεται στα επόμενα. Τα end-to-end μοντέλα επιχειρούν να παράγουν ολόκληρη τη δομημένη αναπαράσταση σε ένα βήμα. Το Infinity-Parser2 προσθέτει επαληθεύσιμα rewards ώστε η εκπαίδευση να μην περιορίζεται μόνο στην πρόβλεψη του επόμενου token.
Ο δεύτερος πυλώνας του έργου είναι το Infinity-Doc2-5M, ένα σύνολο πέντε εκατομμυρίων σελίδων στα κινεζικά και στα αγγλικά. Περιλαμβάνει ακαδημαϊκά και οικονομικά reports, εφημερίδες, βιβλία, εξετάσεις και περιοδικά με μονές ή πολλαπλές στήλες, πίνακες, σχήματα, μαθηματικά και μοριακό περιεχόμενο. Οι επισημάνσεις καλύπτουν bounding boxes, κανονικοποιημένο περιεχόμενο και σειρά ανάγνωσης πλήρους σελίδας.
Το training recipe συνδυάζει οκτώ εργασίες: document parsing, layout analysis, table parsing, math formula parsing, chart parsing, chemical formula parsing, document VQA και γενική πολυτροπική κατανόηση. Η επιλογή αυτή έχει επιχειρησιακή σημασία, επειδή ένα πραγματικό έγγραφο συχνά περιέχει περισσότερα από ένα είδη πληροφορίας και η επιτυχία σε απλό κείμενο δεν εγγυάται σωστό πίνακα ή τύπο.
Τα τεκμηριωμένα μεγέθη του Infinity-Parser2
Στοιχεία της τεχνικής έκθεσης και των επίσημων model cards. Τα benchmark scores δεν αποτελούν εγγύηση απόδοσης σε ελληνικά ή εταιρικά έγγραφα.
Η ομάδα περιγράφει επίσης ένα data iteration flywheel: αξιολόγηση, ανάλυση των αποτυχιών, συλλογή ή σύνθεση δειγμάτων που στοχεύουν τα failure slices και νέα εκπαίδευση. Για μια επιχείρηση, το χρήσιμο μάθημα είναι πρακτικό. Ένας συνολικός μέσος όρος δεν αρκεί· πρέπει να φαίνεται αν οι αποτυχίες συγκεντρώνονται σε συγκεκριμένο προμηθευτή, είδος πίνακα, ποιότητα σάρωσης, γλώσσα ή template.
Η έκδοση Flash είναι μοντέλο 2B παραμέτρων και έχει σχεδιαστεί για υψηλότερο throughput. Η Pro είναι μοντέλο 35B παραμέτρων και στοχεύει σε μέγιστη ακρίβεια. Η τεχνική έκθεση αναφέρει 1.624 tokens ανά δευτερόλεπτο για τη Flash έναντι 441 για το προηγούμενο Infinity-Parser-7B στο συγκεκριμένο περιβάλλον μέτρησης, καθώς και 87,6% στο olmOCR-Bench και 74,3% στο ParseBench για την Pro.
Οι αριθμοί αυτοί περιγράφουν συγκεκριμένα datasets, prompts, versions και υποδομή. Δεν απαντούν αν η Flash ή η Pro θα διαβάσει σωστά ένα ελληνικό τιμολόγιο με σφραγίδα, ένα παλιό πολυσέλιδο συμβόλαιο ή έναν κατάλογο με ασυνήθιστες μονάδες. Η επιλογή πρέπει να γίνει με το ίδιο golden set και κοινές μετρικές για ακρίβεια πεδίων, δομή, latency, υπολογιστικό κόστος και ποσοστό human review.
Πώς διαβάζουμε το benchmark
Ένα υψηλό score δημιουργεί λόγο για pilot, όχι άδεια για αυτόματη παραγωγική χρήση.
Η σωστή ερώτηση είναι αν η απόδοση παραμένει αποδεκτή στις γλώσσες, στα templates και στα failure modes της συγκεκριμένης ροής, με κόστος και χρόνο που δικαιολογούνται από το επιχειρησιακό αποτέλεσμα.
Ο parser είναι το πρώτο στρώμα, όχι το τελικό σύστημα. Μετά την εξαγωγή χρειάζεται κανονικοποίηση της δομής, validation τύπων και αθροισμάτων, έλεγχος υποχρεωτικών πεδίων, αντιστοίχιση με master data, αποθήκευση provenance και δρομολόγηση εξαιρέσεων. Μόνο η έγκυρη έξοδος πρέπει να περνά σε downstream εφαρμογή.
Η αρχιτεκτονική μοιάζει περισσότερο με ελεγχόμενο workflow παρά με «ανέβασε ένα PDF και εμπιστεύσου την απάντηση». Η ίδια αρχή ισχύει στα RAG, agents και no-code AI workflows: η ποιότητα των απαντήσεων εξαρτάται από την ποιότητα της εισόδου, την ανάκτηση, τα δικαιώματα και τα σημεία όπου το σύστημα πρέπει να σταματά.
Για επαναλαμβανόμενα έγγραφα, η ομάδα μπορεί να ορίσει schema ανά τύπο, confidence thresholds ανά πεδίο και business rules που είναι ανεξάρτητοι από το μοντέλο. Ένα σύνολο τιμολογίου, για παράδειγμα, πρέπει να συμφωνεί αριθμητικά και να αντιστοιχεί σε γνωστό προμηθευτή. Αν αποτύχει ο έλεγχος, η σωστή έξοδος είναι review task με το πρωτότυπο έγγραφο, όχι σιωπηρή ενημέρωση του λογιστικού συστήματος.
Στο e-commerce, το Document AI μπορεί να μετατρέπει καταλόγους προμηθευτών σε υποψήφιες προδιαγραφές προϊόντων, να αναγνωρίζει πίνακες διαστάσεων και να προετοιμάζει εγγραφές για PIM. Η δημοσίευση προϊόντων πρέπει να παραμένει πίσω από validation, επειδή λάθος μονάδα μέτρησης, variant ή τεχνικό χαρακτηριστικό μπορεί να προκαλέσει επιστροφές και παράπονα.
Στο marketing, reports, media kits, case studies και παρουσιάσεις μπορούν να οργανωθούν σε searchable knowledge base με καλύτερη δομή και σαφή σύνδεση με το αρχικό έγγραφο. Στις πωλήσεις και στην εξυπηρέτηση, manuals, συμβόλαια και τιμοκατάλογοι μπορούν να τροφοδοτούν retrieval συστήματα. Η σύνδεση με ένα help desk είναι χρήσιμη όταν η απάντηση κρατά παραπομπή στη σωστή σελίδα και το ticket κλιμακώνεται όταν το evidence δεν επαρκεί.
Στις οικονομικές και διοικητικές λειτουργίες, οι πιθανές χρήσεις περιλαμβάνουν τιμολόγια, παραγγελίες, καταστάσεις και φόρμες. Εδώ απαιτούνται αυστηρότερες δικλείδες: schema validation, συμφωνία αθροισμάτων, έλεγχος duplicates, καταγραφή έκδοσης μοντέλου και ανθρώπινη επιβεβαίωση των πεδίων που μπορούν να αλλάξουν πληρωμή, φορολογική εγγραφή ή συμβατική ενέργεια.
Οι δημιουργοί δηλώνουν ότι τα δεδομένα εκπαίδευσης είναι κυρίως κινεζικά και αγγλικά και ότι η πιστότητα μειώνεται σε άλλες γλώσσες ή σε έντονα πολυγλωσσικά έγγραφα. Επομένως, η απόδοση σε ελληνικούς χαρακτήρες, ημερομηνίες, αριθμητικές μορφές, ονόματα, δημόσια έντυπα και μικτά ελληνικά-αγγλικά layouts πρέπει να μετρηθεί ξεχωριστά.
Η τεχνική έκθεση αναγνωρίζει επίσης χαμηλότερη ακρίβεια σε πυκνά γραφήματα με επικαλυπτόμενες σειρές, σε στοιχεία με διαφορετικούς προσανατολισμούς και στη διατήρηση λεπτομερούς inline μορφοποίησης όπως bold, italic και strikethrough. Η εκτέλεση σύνθετων πολυβηματικών οπτικών οδηγιών παραμένει περιορισμένη, ενώ μέρος των δεδομένων βασίζεται σε pseudo-labels και μπορεί να διατηρεί θόρυβο.
Ένα ελληνικό golden set πρέπει να περιλαμβάνει πραγματικές χρονιές, προμηθευτές, templates, σαρώσεις, φωτογραφίες, κενές σελίδες και edge cases. Η αξιολόγηση χρειάζεται ξεχωριστά αποτελέσματα για κείμενο, πίνακες, σειρά ανάγνωσης και κάθε κρίσιμο business field. Αν το μέσο score κρύβει συστηματική αποτυχία σε ΦΠΑ, IBAN, ποσότητα ή μονάδα, το pilot δεν είναι ασφαλές.
Τα εταιρικά έγγραφα μπορεί να περιέχουν προσωπικά δεδομένα, εμπορικά μυστικά, τιμές, τραπεζικά στοιχεία ή συμβατικούς όρους. Η επιλογή τοπικού backend ή self-hosting μπορεί να μειώνει ορισμένες μεταφορές δεδομένων, αλλά δεν καταργεί την ευθύνη για πρόσβαση, κρυπτογράφηση, logs, ενημερώσεις, retention και διαγραφή. Το Apache 2.0 των model cards αφορά την άδεια του μοντέλου· το Infinity-Doc2-5M έχει ξεχωριστή άδεια CC BY-NC-SA 4.0, άρα μοντέλο, dataset και επιχειρησιακή χρήση δεν πρέπει να θεωρούνται το ίδιο νομικό αντικείμενο.
Για προσωπικά δεδομένα, ο GDPR απαιτεί σαφή σκοπό, ελαχιστοποίηση, ακρίβεια, περιορισμό διατήρησης, ασφάλεια και λογοδοσία. Αυτό μεταφράζεται σε συγκεκριμένες αποφάσεις: ποια πεδία χρειάζονται, ποιος βλέπει το πρωτότυπο και την έξοδο, πού εκτελείται το μοντέλο, πόσο διατηρούνται τα artifacts και ποιος διορθώνει μια λανθασμένη εξαγωγή.
Το NIST AI RMF προτείνει evaluation σε συνθήκες παρόμοιες με το deployment, τεκμηρίωση test sets και metrics, σαφείς ρόλους human oversight και παρακολούθηση μετά την παραγωγή. Σε agentic ροές χρειάζεται επιπλέον άμυνα απέναντι σε μη αξιόπιστο περιεχόμενο εγγράφων, όπως περιγράφεται και στο indirect prompt injection. Ένα document parser δεν πρέπει να μετατρέπει κείμενο μέσα στο αρχείο σε εντολή χωρίς ξεχωριστό policy και έγκριση.
Το pilot πρέπει να απαντήσει αν μια συγκεκριμένη ροή εγγράφων μπορεί να γίνει ταχύτερη και πιο αξιόπιστη χωρίς να αυξήσει δυσανάλογα το ρίσκο. Για να είναι χρήσιμο, χρειάζεται baseline χειροκίνητου χρόνου, κοινό test set για όλες τις εκδόσεις και κριτήριο εξόδου που συμφωνείται πριν από την πρώτη δοκιμή.
Από το έγγραφο σε ελεγχόμενη παραγωγική είσοδο
Ξεκινήστε, για παράδειγμα, με έναν κατάλογο προμηθευτή προς review στο PIM ή με ένα τιμολόγιο προς λογιστικό έλεγχο, όχι με ολόκληρο το εταιρικό αρχείο.
Ξεχωρίστε τα υποχρεωτικά business fields, τα προσωπικά δεδομένα, τα επιτρεπτά συστήματα και όσα δεν πρέπει να εισαχθούν ή να αποθηκευτούν.
Συγκεντρώστε αντιπροσωπευτικά templates, ποιότητες σάρωσης, γλώσσες και edge cases με επαληθευμένη αναμενόμενη έξοδο ανά πεδίο και στοιχείο.
Μετρήστε ακρίβεια, δομή, latency, υπολογιστικό κόστος και human-review rate στο ίδιο hardware, prompt και output schema.
Ελέγξτε τύπους, απαιτούμενα πεδία, αθροίσματα, μονάδες, γνωστούς προμηθευτές, duplicates και επιτρεπτές τιμές πριν από κάθε downstream write.
Κάθε χαμηλό confidence, ασυμφωνία ή άγνωστο template πρέπει να δημιουργεί review task με το πρωτότυπο, την έξοδο και τον λόγο απόρριψης.
Προσθέστε νέα templates στο test set και καταγράψτε χρόνο, λάθη, κόστος, overrides και περιστατικά ώστε το go/no-go να βασίζεται σε λειτουργικά δεδομένα.
Η μετάβαση δεν κρίνεται μόνο από το αν «φαίνεται σωστή» η έξοδος. Χρειάζονται αποδεκτά thresholds ανά κρίσιμο πεδίο, σταθερή απόδοση σε νέα templates, προβλέψιμο κόστος, μετρήσιμη μείωση χειροκίνητου χρόνου και σαφής διαδρομή ανάκτησης όταν αποτύχει το μοντέλο ή το downstream σύστημα.
Η τελική δοκιμή παραγωγής
Το Infinity-Parser2 περνά σε production μόνο όταν το μη έγκυρο αποτέλεσμα σταματά πιο αξιόπιστα απ’ όσο το έγκυρο αποτέλεσμα προχωρά.
Αν δεν μπορείτε να δείξετε ποια έκδοση παρήγαγε κάθε πεδίο, ποιος validator το ενέκρινε και ποιος άνθρωπος διαχειρίζεται την εξαίρεση, κρατήστε το σύστημα σε pilot.
Η ίδια πειθαρχία βοηθά και σε μικρότερες επιχειρήσεις που βλέπουν την AI ως πρώτη νέα δυνατότητα της ομάδας. Όπως αναλύεται στην AI ως «πρώτη πρόσληψη», η αξία έρχεται από περιορισμένο scope, owner και σαφή μέτρηση, όχι από την υπόθεση ότι ένα μοντέλο θα καταλάβει μόνο του όλη τη διαδικασία.
Από το σύνθετο έγγραφο σε ασφαλή επιχειρησιακή ροή
Η TWO DOTS χαρτογραφεί έγγραφα, δεδομένα, validation rules, ERP/PIM/CRM συνδέσεις, approval gates και KPI πριν εντάξει Document AI ή AI agents σε παραγωγική διαδικασία. Έτσι το pilot μετρά πραγματική εξοικονόμηση και κρατά κάθε κρίσιμη εξαίρεση ορατή και ελέγξιμη.
Frequently Asked Questions (FAQs)
Το Infinity-Parser2 είναι ανοικτό πολυτροπικό μοντέλο για end-to-end document parsing. Μετατρέπει εικόνες σελίδων σε δομημένο περιεχόμενο και αναγνωρίζει κείμενο, layout, πίνακες, τύπους, bounding boxes και σειρά ανάγνωσης.
Το OCR εστιάζει κυρίως στους χαρακτήρες. Το Infinity-Parser2 επιχειρεί να διατηρήσει και τη δομή της σελίδας, ώστε το downstream σύστημα να γνωρίζει ποια στοιχεία είναι τίτλοι, πίνακες, τύποι ή τμήματα συγκεκριμένης σειράς ανάγνωσης.
Η Flash, με 2B παραμέτρους, στοχεύει σε υψηλότερο throughput, ενώ η Pro, με 35B παραμέτρους, σε μεγαλύτερη ακρίβεια. Η επιλογή πρέπει να γίνει με κοινό pilot στα πραγματικά έγγραφα, το hardware και τα thresholds της επιχείρησης.
Δεν υπάρχει τέτοια εγγύηση. Η τεχνική έκθεση δηλώνει κυρίως κινεζικά και αγγλικά δεδομένα και χαμηλότερη πιστότητα σε άλλες γλώσσες. Απαιτείται ειδικό ελληνικό golden set πριν από παραγωγική χρήση.
Περιλαμβάνει πέντε εκατομμύρια κινεζικές και αγγλικές σελίδες από διαφορετικούς τύπους εγγράφων, με annotations για στοιχεία, bounding boxes, κανονικοποιημένο περιεχόμενο και σειρά ανάγνωσης πλήρους σελίδας.
Μπορεί να ενταχθεί σε τέτοια ροή μόνο με κατάλληλη νομική και τεχνική αξιολόγηση. Χρειάζονται ελαχιστοποίηση δεδομένων, έλεγχος πρόσβασης και τόπου εκτέλεσης, κρυπτογράφηση, retention, logs, validation και ανθρώπινη έγκριση των κρίσιμων πεδίων.
Με έναν τύπο εγγράφου και μία επόμενη ενέργεια, αντιπροσωπευτικό golden set, μετρήσεις ανά πεδίο και δομή, deterministic validators, σαφή failure route, ανθρώπινο review και κριτήρια go/no-go πριν από το production.
Sources
