Nord.OCR — платформа для интеллектуальной обработки документов

1. Вводная задача от заказчика, проблематика, цели

Во многих компаниях документы давно хранятся в электронном виде, но работа с ними всё ещё требует много ручного труда. Сотрудники ищут нужный пункт в договоре, сверяют счета и акты, переносят реквизиты в 1С или ERP, просматривают архивы и отвечают на повторяющиеся запросы коллег. При этом информация редко находится в одном месте. Часть данных хранится в файловых хранилищах, часть — в СЭД, 1С, CRM, корпоративных порталах и внутренних базах знаний.

Nord.OCR автоматизирует ручную работу с документами и информацией, которая в них содержится.

2. Описание реализации кейса и творческого пути по поиску оптимального решения

Как устроен Nord.OCR

По набору функций Nord.OCR относится к классу IDP-платформ (Intelligent Document Processing): система не ограничивается распознаванием, а работает с документом на следующих этапах — извлекает данные, ищет информацию, анализирует содержание и передаёт результат дальше.

В основе платформы — несколько компонентов, каждый отвечает за свой этап работы с документом.

OCR распознаёт текст из PDF, сканов и изображений. Система работает с многостраничными файлами, таблицами и документами со сложной структурой, в том числе чертежами и сложной технической документацией. Позволяет автоматизировать распознавание документов, включая старые архивы и сканы, где текст хранится в виде изображения.

LLM понимает содержание распознанного документа: определяет его тип, выделяет нужные сущности, извлекает данные по заданной схеме и анализирует текст. Например, из договора можно получить реквизиты сторон, сроки оплаты, условия поставки и штрафные санкции. Если нужно найти информацию в нескольких документах или ответить на вопрос по корпоративному архиву, к LLM подключается RAG.

RAG позволяет искать информацию в корпоративных документах и использовать её для формирования ответа. Для этого система применяет семантический поиск: сопоставляет запрос с содержанием документов по смыслу, а не только по совпадению слов. Поэтому пользователю не нужно помнить точную формулировку из документа — достаточно описать, что именно он ищет. Найденные фрагменты передаются обратно в LLM, которая формирует понятный ответ и указывает исходные документы.

AI-агенты нужны, когда требуется не просто обработать документ или найти информацию, а полностью автоматизировать цепочку действий и довести её до результата. Агент получает задачу и самостоятельно определяет, какие этапы нужно пройти: найти нужные документы через поиск, извлечь из них данные, сопоставить информацию, проверить результат по заданным правилам и передать его дальше в ERP. При необходимости агент может инициировать следующий бизнес-процесс — например, создать заявку, передать данные на согласование или запустить дальнейшую обработку. То есть система сама выполняет последовательность действий и доводит задачу до результата без ручного запуска каждого этапа.

Почему одного OCR недостаточно

Распознать документ — только первый шаг.

Допустим, компания получила электронную копию договора. OCR извлечёт из неё текст, но сотруднику всё равно придётся найти нужный пункт, разобраться в его содержании и сопоставить его с другими документами.

Nord.OCR позволяет работать с этой информацией на следующем уровне. Система может найти связанные документы, выделить нужные фрагменты и сформировать ответ на вопрос пользователя.

Например, вместо поиска по слову «штраф» можно спросить:

Какие санкции предусмотрены за нарушение сроков поставки?

Система найдёт в договоре нужный раздел и вернёт ответ, например: «За нарушение срока поставки предусмотрена неустойка в размере 0,1% от стоимости просроченного товара за каждый день просрочки», — со ссылкой на конкретный документ и фрагмент, из которого взята информация.

Реальный проект: поиск по архиву сканированных документов

Один из проектов Nord Clan — система контекстного поиска для крупного производителя продуктов питания и напитков.

У компании был большой архив сканированных документов, в том числе договоров, спецификаций и накладных. Чтобы найти нужную информацию, сотрудники вручную просматривали документы за разные годы и сопоставляли данные. На такой поиск могли уходить часы.

Мы построили систему на базе OCR, векторного поиска, RAG и LLM. Документы проходят распознавание, текст разбивается на смысловые фрагменты и индексируется. Пользователь задаёт вопрос обычным языком, система находит связанные фрагменты и формирует ответ с указанием исходных документов.

Время поиска сократилось с нескольких часов до нескольких минут, нагрузка на сотрудников снизилась на 60–80%, а точность ответов на типовые запросы превысила 90%.

Сценарии использования

Обработка входящих документов

Система распознаёт документ, определяет его тип, извлекает реквизиты и передаёт структурированные данные дальше.

Пример:

счёт → определение типа документа → извлечение ИНН, номера, даты и суммы → проверка → передача в 1С или ERP.

Если реквизит не читается или данные не проходят проверку, документ можно отправить сотруднику на ручную проверку.

Работа с договорами

Nord.OCR находит нужные пункты в договорах, извлекает условия по заданным параметрам и сопоставляет несколько документов. В отличие от обычного запроса к публичной нейросети, здесь корпоративные документы не нужно передавать внешнему сервису для анализа, так как Nord.OCR можно развернуть внутри ИТ-инфраструктуры компании (on-premise).

Пример: «Найди договоры, в которых срок оплаты больше 30 дней, и укажи размер неустойки за просрочку». Система находит соответствующие фрагменты, собирает данные из документов и показывает источники, на которых основан ответ. Все чувствительные данные остаются под контролем заказчика.

Поиск по архивам

Платформа работает со сканированными документами, где текст изначально представлен как изображение — например, со старыми договорами, накладными, спецификациями и другими архивными материалами.

Пример: «Найди документы за 2021–2023 годы, где указаны условия поставки этой продукции». Система распознаёт архив, ищет подходящие фрагменты по смыслу и показывает документы, в которых найдена информация.

Это один из сценариев автоматизации обработки электронных документов и архивов, когда ручной просмотр большого массива файлов занимает значительное время.

Поиск по базе корпоративных знаний

Регламенты, инструкции, техническая документация и другие внутренние материалы можно подключить к поиску через RAG.

Пример: «Какие действия должен выполнить сотрудник при обнаружении неисправности оборудования?». Nord.OCR находит соответствующий раздел в документации и формирует ответ со ссылкой на исходный документ и конкретный фрагмент.

Сверка и анализ документов

Система извлекает одинаковые параметры из нескольких документов, сопоставляет их и показывает различия.

Пример:

договор → спецификация → счёт → сверка номенклатуры, количества и стоимости → отчёт о расхождениях.

Так можно автоматически находить случаи, когда цена или количество в счёте не совпадает со спецификацией или условиями договора.

Обработка технической документации

В систему загружаются схемы и чертежи, после чего она распознаёт элементы, определяет их типы и параметры и извлекает данные для дальнейшей обработки.

Реальный проект: распознавание схем электронных плат

Клиент — производитель электроники. Для подготовки расчёта специалистам требовалось анализировать схемы плат и вручную определять их состав: компоненты, их количество и другие параметры, влияющие на стоимость. Документация могла поступать в разных форматах — Excel, PDF, TIFF и PNG.

Nord.OCR распознаёт загруженные схемы, определяет типы и количество компонентов, количество точек пайки и передает эти данные в отдельный модуль, где автоматически рассчитывается стоимость производства платы.

В результате обработка одной схемы ускорена в 10–20 раз и занимает несколько секунд.

Интеграция

Nord.OCR встраивается в существующую ИТ-инфраструктуру компании. Платформа может взаимодействовать с:

• 1С;
• ERP;
• CRM;
• СЭД и ECM;
• корпоративными порталами;
• файловыми хранилищами;
• внутренними базами знаний.

Для систем, где документы содержат чувствительную информацию, решение можно развернуть в инфраструктуре компании, без передачи данных во внешние облачные сервисы.

3. Результаты сотрудничества

В реализованных сценариях автоматизация обработки документов позволяла:

• сократить время обработки документов на 70–90%;
• уменьшить объём ручных операций на 60–80%;
• сократить время поиска информации в больших архивах;
• сократить ручной перенос данных между системами в 5–10 раз;
• уменьшить нагрузку на сотрудников, которые регулярно работают с документами.