合合信息亮相2024中國圖象圖形大會,文檔解析技術(shù)破解大模型語料“饑荒”難題

近日,2024中國圖象圖形大會在古都西安盛大開幕。本屆大會由中國圖象圖形學(xué)學(xué)會主辦,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,通過二十多場論壇、百余項成果,集中展示了生成式人工智能、大模型、機器學(xué)習(xí)、類腦計算等多個圖像圖形領(lǐng)域的進展。

大模型技術(shù)正隨著科技革新實現(xiàn)廣泛應(yīng)用,滿足多行業(yè)圖像處理需求。大會期間,由CSIG文檔圖像分析與識別專委會與上海合合信息科技股份有限公司(簡稱“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)、上海人工智能實驗室、合合信息等高校、研究機構(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)用進行了深入研討。

行業(yè)關(guān)注者聆聽《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”的背后,隱藏著一場關(guān)于模型訓(xùn)練語料的“能源危機”。根據(jù)人工智能研究人員小組Epoch研究估計,機器學(xué)習(xí)數(shù)據(jù)集可能會在2026年前耗盡所有“高質(zhì)量語言數(shù)據(jù)”?,F(xiàn)階段,大量的高質(zhì)量語料數(shù)據(jù)存在于書籍、論文、研報、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)練語料處理及大模型文檔問答的應(yīng)用能力。文檔解析技術(shù)的進步,讓機器能夠識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,給與會者帶來了新的技術(shù)視角。

“文檔解析的難點在于如何準(zhǔn)確識別文檔中的各個元素,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)常揚介紹,物理版面分析側(cè)重于視覺特征、文檔布局,主要任務(wù)是把相關(guān)性高的文字聚合到一個區(qū)域,比如一個段落,一個表格等等,并選用目標(biāo)檢測任務(wù)進行建模,使用基于回歸的單階段檢測模型進行擬合,從而獲得文檔中各種各樣的布局方式;邏輯版面分析側(cè)重于對語義特征的分析,主要任務(wù)是把不同的文字塊根據(jù)語義建模,例如通過語義的層次關(guān)系,形成一個目錄樹結(jié)構(gòu)。

文檔解析技術(shù)中文檔元素檢測、文字表格識別、文檔版面分析、閱讀順序還原等任務(wù)涉及對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、文字識別、表格識別、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,面對電子文檔及掃描件,能夠靈活地識別文字、表格、無線表、跨頁表格、頁眉、頁腳、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)練語料與文檔問答應(yīng)用體驗。

高校研究者、學(xué)生排隊體驗智能文檔處理技術(shù)

“我們研究過程中發(fā)現(xiàn),真實世界的文檔有著極為豐富的布局類型,沒法單純地用單欄,雙欄、三欄等類別去定義。”常揚表示,近年來的開放詞匯目標(biāo)檢測(OVD),視覺語義對齊(Alignment)等工作,以及生成式模型等前沿進展,將給版面分析帶來新的研究思路,合合信息技術(shù)團隊也將持續(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)生價值。

極客網(wǎng)企業(yè)會員

免責(zé)聲明:本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性,但不保證有關(guān)資料的準(zhǔn)確性及可靠性,讀者在使用前請進一步核實,并對任何自主決定的行為負責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏,概不負任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時,應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明,并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后,將會依法盡快聯(lián)系相關(guān)文章源頭核實,溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。

2024-05-29
合合信息亮相2024中國圖象圖形大會,文檔解析技術(shù)破解大模型語料“饑荒”難題
大模型一路“高歌猛進”的背后,隱藏著一場關(guān)于模型訓(xùn)練語料的“能源危機”。

長按掃碼 閱讀全文