G&GApp
AI

Распознавание текста на карточках: чему учит кейс RWB

GGAPP8 мин чтенияОпубликовано: 12 ноября 2026 г.Обновлено: 12 ноября 2026 г.
Распознавание текста на карточках: чему учит кейс RWB
Содержание статьи
Коротко. Распознавание текста на изображении полезно бизнесу, когда результат помогает принять проверяемое решение и найти причину ошибки. Для модерации товарных карточек недостаточно получить правдоподобные строки: важно понимать, откуда они взяты и что делать со спорным случаем. Кейс RWB показывает, почему выбор модели стоит начинать с требований к процессу, а сложность системы — соотносить с собственным потоком и последствиями неверного ответа.

Что описала команда RWB

12 ноября 2026 года в корпоративном блоге RWB опубликован инженерный кейс распознавания текста для модерации. Авторы из команды «Платформа модерации» объясняют, как извлекают текст с изображений товаров для дальнейших проверок правил площадки.

OCR — распознавание символов на изображении и преобразование их в текст. В описанной системе работа разделена на этапы: подготовка картинки, поиск текстовых областей, исправление их геометрии, выбор языковой ветки, чтение символов и сборка результата. Команда сохраняет также расположение текста и сведения об обработке.

VLM — модель, которая работает с изображением и текстом. По словам авторов, в их реализации она помогает оценивать качество на выбранной части потока, но не заменяет основной процесс. При этом они допускают более простое решение для небольших объёмов. Это выбор под условия RWB, а не доказательство, что большая модель всегда хуже или что каждому магазину нужна такая же архитектура.

Какое решение должен поддерживать результат

Сначала определите действие после распознавания. Система может помочь найти контактные сведения на картинке, передать карточку на дополнительную проверку или подготовить данные сотруднику. Это разные уровни ответственности. Требование извлечь текст не отвечает на вопрос, можно ли автоматически ограничить публикацию товара.

Ошибки тоже бывают разными. Пропущенная надпись оставляет проблему незамеченной. Неверно прочитанная надпись может вызвать лишнюю проверку или помешать продавцу работать. Для бизнеса важны оба последствия, поэтому приёмка должна учитывать не только красивый ответ на демонстрационном изображении.

Установите границу между распознаванием и применением правил. Точный текст ещё не означает правильную интерпретацию: надпись может относиться к упаковке, условию использования или отдельному рекламному блоку. Ответственный за модерацию должен подтвердить, какие сведения достаточны для решения, а какие требуют дополнительного контекста.

Когда достаточно одной модели

Если поток небольшой, задачи похожи, а результат проверяет сотрудник, единая модель может оказаться разумной отправной точкой. Её проще включить в ограниченный сценарий и проверить на своих материалах. Но удобство демонстрации не освобождает от оценки задержек, расходов, ошибок и зависимости от внешнего поставщика.

Разделение на этапы полезно, когда команде нужно понимать место сбоя и менять отдельную часть обработки. Например, изображение найдено правильно, но изогнутую надпись плохо выровняли. Или символы прочитаны верно, но разные блоки объединились в другую фразу. Возможность различить причины помогает сформулировать исправление.

У нескольких компонентов есть своя сложность: их нужно сопровождать, согласовывать форматы и проверять взаимодействие. Сравнивайте варианты по полному процессу, а не по числу моделей. Хороший вопрос подрядчику: какие ошибки мы сможем объяснить и исправить, что потребуется для нового языка и кто будет поддерживать решение после запуска.

Зачем сохранять связь с исходным изображением

Иллюстрация: разбор сценария по теме «Распознавание текста на карточках: чему учит кейс RWB»
Иллюстрация: разбор сценария по теме «Распознавание текста на карточках: чему учит кейс RWB»

Результат распознавания должен позволять вернуться к тому месту картинки, где найден текст. Координаты — сведения о расположении области на изображении. Они помогают сотруднику проверить происхождение фразы и понять, действительно ли система прочитала нужный фрагмент.

Для собственного проекта согласуйте, что получает модератор вместе с ответом: исходную карточку, выделенную область, прочитанный текст и доступные сведения о версии обработки. Не собирайте лишние данные ради возможной пользы: состав и доступы определяются задачей. Если система неверно указала область, это отдельная ошибка, даже когда строка выглядит правдоподобно.

Показатель уверенности модели не следует автоматически считать вероятностью верного решения. Его полезность проверяют на размеченных примерах своего процесса. Уверенный ответ с ошибочной привязкой к картинке может быть опаснее явно неопределённого: он создаёт видимость доказательства там, где сотруднику ещё нужно проверить исходник.

Как подготовить проверочную выборку

Соберите примеры из разрешённых к использованию материалов своего каталога. Укажите правильное чтение и ожидаемое действие модерации отдельно. Разделите набор для настройки и набор для независимой проверки, чтобы удачное запоминание примеров не выглядело улучшением всей системы.

Включите в обсуждение не только удобные изображения:

  • Мелкий текст на пёстром фоне и надписи под углом.
  • Вертикальные строки и текст на изогнутой упаковке.
  • Разные письменности и смешение языков на одной карточке.
  • Несколько соседних блоков, где важен порядок чтения.
  • Изображения без целевого текста, чтобы проверить лишние срабатывания.
  • Спорные формулировки, для которых заранее определена человеческая проверка.

Оценивайте группы отдельно. Средний результат может скрывать ухудшение редкого языка или сложного типа упаковки. Добавьте проверку расположения областей и итогового решения: система способна верно прочитать большинство символов и всё же ошибиться в действии, которое затрагивает продавца.

Как встроить человека и обновления

Для спорных случаев предусмотрите маршрут к модератору с исходным изображением и причиной проверки. Сотруднику должно быть понятно, что нашла система и какие сведения нужно оценить самостоятельно. Простая кнопка согласия с готовым вердиктом не обеспечивает содержательного контроля.

Заранее определите порядок пересмотра ошибочного решения. Обращение продавца полезно связать с конкретной карточкой и версией обработки. Тогда команда сможет отличить ошибку чтения от неточного правила или недостатка контекста. Исправление должно менять воспроизводимую причину, а не только закрывать одно обращение.

После изменения модели или отдельного этапа перепроверьте уже работающие группы примеров. Новый язык или новая геометрическая обработка могут повлиять на соседние случаи. Для пилота полезно сначала наблюдать рекомендации системы без самостоятельной блокировки, сравнивать их с решениями сотрудников и расширять полномочия только по согласованным результатам.

Что включить в пилот автоматизации

При обсуждении ИИ-автоматизации бизнеса подготовьте описание потока изображений, цель проверки, типичные ошибки и ответственного за решение. Если задача включает чтение картинок, её предмет можно уточнить в направлении компьютерного зрения. Название модели выбирают после определения результата, а не вместо него.

Согласуйте границы первой версии: какие материалы обрабатываются, какие ответы допустимы, когда нужен человек и что происходит при недоступности компонента. Отдельно проверьте скорость всего пути и нагрузку на модераторов. Быстрое распознавание мало помогает, если очередь ручных разборов после него становится неуправляемой.

Решение о расширении опирается на собственные наблюдения: качество по группам, пропущенные проблемы, лишние проверки, задержки и способность команды объяснять ошибки. Если результат неоднозначен, полезнее уточнить правила и выборку, чем добавлять новые компоненты по аналогии с крупной площадкой. Сложность должна решать выявленную проблему.

Источник и границы выводов

Иллюстрация: возможный результат решения по теме «Распознавание текста на карточках: чему учит кейс RWB»
Иллюстрация: возможный результат решения по теме «Распознавание текста на карточках: чему учит кейс RWB»

Источник — первичный инженерный материал команды RWB от 12 ноября. Он описывает конкретный поток и принятые авторами решения. Мы не проверяли их внутренние данные и не проводили независимое сравнение моделей. Этот кейс не относится к собственным внедрениям GGAPP.

Примеры приёмки и организации проверки выше — самостоятельный разбор для заказчика. Они не устанавливают единый правильный стек. Проверка текста, координат, правил и итогового действия требует собственных данных и ответственных; показатели или масштаб другой компании не заменяют такой проверки.

Частые вопросы

Если модель правильно прочитала надпись, можно ли доверить ей модерацию

Чтение и решение о допустимости — разные задачи. Нужны правила, контекст и проверка последствий ошибки. Для действий, затрагивающих продавца, заранее определяют достаточность доказательств, роль сотрудника и порядок пересмотра спорного результата.

Нужно ли сразу строить систему из нескольких моделей

Нет. Начните с ограниченного процесса и проверочных примеров. Разделение полезно, если оно помогает объяснять ошибки, обновлять нужную часть или обслуживать поток. Для небольшого проекта единое решение с человеческой проверкой может быть проще; выбор подтверждают на своих материалах.

Достаточно ли одной средней метрики качества

Средняя оценка не показывает все проблемные группы. Сравните языки, виды изображений, расположение текста и последствия решения отдельно. Учитывайте также лишние проверки, задержки и обращения продавцов: именно вместе они описывают пригодность процесса к работе.