Документы и поиск
Поиск по техническим PDF-каталогам: OCR и RAG для OID
Как превратить PDF-каталоги с таблицами и артикулами в базу для поиска деталей. Разбор проекта OID Mechanical Parts: OCR, гибридный поиск и Telegram-бот.
- Заказчик
- OID Mechanical Parts
- Год проекта
- 2025
- Срок проекта
- 8 недель
Как работает решение
- 01
Каталоги
PDF с характеристиками, таблицами и артикулами.
- 02
Распознавание
Pipistrello OCR извлекает содержание сложных страниц.
- 03
Поиск
Гибридный RAG подбирает материалы под запрос.
- 04
Ответ
Telegram-бот даёт сотруднику доступ к системе.
Найти нужную деталь среди десятков каталогов
Менеджеры OID Mechanical Parts искали подшипники в PDF-каталогах вручную. Характеристики находились в таблицах, а артикулы связывали описание с конкретной деталью. Для ответа приходилось открывать документы и сопоставлять сведения на разных страницах.
Прежний полнотекстовый поиск не справлялся с таблицами и артикулами. Поэтому проект начинался с подготовки документов: поиску нужны не только слова, но и правильно извлечённые данные о деталях.
Подготовить технические PDF для поиска
Для обработки каталогов использовали Pipistrello — собственный OCR-пайплайн. Модель дообучили под сложные технические PDF с таблицами, формулами и изображениями. Полученный структурированный корпус стал основой поисковой системы.
В такой задаче ошибка в одном символе артикула может привести к выбору другой детали. При оценке похожего решения нужно отдельно проверять распознавание идентификаторов и сохранение связей между строками и столбцами. Читаемый абзац ещё не означает, что таблица извлечена корректно.
Связать документы с повседневным запросом сотрудника
Подготовленный корпус подключили к гибридному RAG. Такой поиск сочетает поиск по словам с поиском по смыслу, после чего найденные материалы используются при подготовке ответа.
Доступ организовали через Telegram-бота, связанного с системой через n8n. Пользователь задаёт вопрос в привычном интерфейсе, а обработка документов и поиск остаются внутри общего процесса.
Единый доступ к технической документации
Результат проекта — связка распознавания каталогов, поиска и интерфейса для сотрудников. Инженеры, логисты и менеджеры могут обращаться к одному цифровому источнику технических сведений.
Для переноса подхода на другой ассортимент сначала стоит собрать контрольные вопросы и примеры сложных страниц. Они покажут, достаточно ли обычного извлечения текста или нужны отдельная обработка таблиц и дообучение распознавания.
Использованные технологии
- Pipistrello OCR
- Hybrid RAG
- n8n
- Telegram
