亮相CCIG2024，合合信息文檔解析技術(shù)破解大模型語(yǔ)料“饑荒”難題

　　近日，2024中國(guó)圖象圖形大會(huì)在古都西安盛大開(kāi)幕。本屆大會(huì)由中國(guó)圖象圖形學(xué)學(xué)會(huì)主辦，空軍軍醫(yī)大學(xué)、西安交通大學(xué)、西北工業(yè)大學(xué)承辦，通過(guò)二十多場(chǎng)論壇、百余項(xiàng)成果，集中展示了生成式人工智能、大模型、機(jī)器學(xué)習(xí)、類腦計(jì)算等多個(gè)圖像圖形領(lǐng)域的進(jìn)展。

　　大模型技術(shù)正隨著科技革新實(shí)現(xiàn)廣泛應(yīng)用，滿足多行業(yè)圖像處理需求。大會(huì)期間，由CSIG文檔圖像分析與識(shí)別專委會(huì)與上海合合信息科技股份有限公司(簡(jiǎn)稱“合合信息”)聯(lián)合主辦了《大模型技術(shù)及其前沿應(yīng)用》論壇，來(lái)自華南理工大學(xué)、上海交通大學(xué)、清華大學(xué)、復(fù)旦大學(xué)、上海人工智能實(shí)驗(yàn)室、合合信息等高校、研究機(jī)構(gòu)及企業(yè)的專家代表就大模型技術(shù)在圖像領(lǐng)域的發(fā)展、應(yīng)用進(jìn)行了深入研討。

　　圖說(shuō)：行業(yè)關(guān)注者聆聽(tīng)《大模型技術(shù)及其前沿應(yīng)用》論壇分享

　　大模型一路“高歌猛進(jìn)”的背后，隱藏著一場(chǎng)關(guān)于模型訓(xùn)練語(yǔ)料的“能源危機(jī)”。根據(jù)人工智能研究人員小組Epoch研究估計(jì)，機(jī)器學(xué)習(xí)數(shù)據(jù)集可能會(huì)在2026年前耗盡所有“高質(zhì)量語(yǔ)言數(shù)據(jù)”。現(xiàn)階段，大量的高質(zhì)量語(yǔ)料數(shù)據(jù)存在于書籍、論文、研報(bào)、企業(yè)文檔等文檔之中，復(fù)雜的版面結(jié)構(gòu)制約了大模型的訓(xùn)練語(yǔ)料處理及大模型文檔問(wèn)答的應(yīng)用能力。文檔解析技術(shù)的進(jìn)步，讓機(jī)器能夠識(shí)別文檔中的多種元素，更好地處理文本、表格、圖像等多類型數(shù)據(jù)，還原文檔閱讀順序，加速大模型訓(xùn)練與應(yīng)用。論壇上，合合信息智能創(chuàng)新事業(yè)部研發(fā)總監(jiān)常揚(yáng)分享了合合信息智能文檔處理技術(shù)在文檔解析領(lǐng)域的工作，給與會(huì)者帶來(lái)了新的技術(shù)視角。

　　“文檔解析的難點(diǎn)在于如何準(zhǔn)確識(shí)別文檔中的各個(gè)元素，并理解其之間的邏輯關(guān)系，需要關(guān)注'物理版面分析'和'邏輯版面分析。' ”據(jù)常揚(yáng)介紹，物理版面分析側(cè)重于視覺(jué)特征、文檔布局，主要任務(wù)是把相關(guān)性高的文字聚合到一個(gè)區(qū)域，比如一個(gè)段落，一個(gè)表格等等，并選用目標(biāo)檢測(cè)任務(wù)進(jìn)行建模，使用基于回歸的單階段檢測(cè)模型進(jìn)行擬合，從而獲得文檔中各種各樣的布局方式;邏輯版面分析側(cè)重于對(duì)語(yǔ)義特征的分析，主要任務(wù)是把不同的文字塊根據(jù)語(yǔ)義建模，例如通過(guò)語(yǔ)義的層次關(guān)系，形成一個(gè)目錄樹(shù)結(jié)構(gòu)。

　　文檔解析技術(shù)中文檔元素檢測(cè)、文字表格識(shí)別、文檔版面分析、閱讀順序還原等任務(wù)涉及對(duì)版面元素和版面整體布局的判斷，是文檔處理領(lǐng)域典型的技術(shù)難題。通過(guò)十幾年技術(shù)積淀，合合信息打通了電子檔解析、掃描檔圖像處理、文字識(shí)別、表格識(shí)別、版面分析、版面還原和排版布局等文檔智能化處理的全流程，面對(duì)電子文檔及掃描件，能夠靈活地識(shí)別文字、表格、無(wú)線表、跨頁(yè)表格、頁(yè)眉、頁(yè)腳、公式、圖像、流程圖等版面元素，準(zhǔn)確地還原文檔閱讀順序，為大模型領(lǐng)域提供了精準(zhǔn)的訓(xùn)練語(yǔ)料與文檔問(wèn)答應(yīng)用體驗(yàn)。

　　圖說(shuō)：高校研究者、學(xué)生排隊(duì)體驗(yàn)智能文檔處理技術(shù)

　　“我們研究過(guò)程中發(fā)現(xiàn)，真實(shí)世界的文檔有著極為豐富的布局類型，沒(méi)法單純地用單欄，雙欄、三欄等類別去定義。”常揚(yáng)表示，近年來(lái)的開(kāi)放詞匯目標(biāo)檢測(cè)(OVD)，視覺(jué)語(yǔ)義對(duì)齊(Alignment)等工作，以及生成式模型等前沿進(jìn)展，將給版面分析帶來(lái)新的研究思路，合合信息技術(shù)團(tuán)隊(duì)也將持續(xù)在智能文檔處理領(lǐng)域深耕，讓新技術(shù)在行業(yè)中更快速地產(chǎn)生價(jià)值。