داکیومایند

مشکل اسناد فارسی واقعی این است که فقط «متن» نیستند: دو ستون‌اند، جدول دارند، مهر روی امضاست. OCR معمولی حروف را بیرون می‌کشد ولی ترتیب را خراب می‌کند و جدول را به خط‌خطی تبدیل می‌کند — نتیجه‌ای که به هیچ سیستمی نمی‌خورد. داکیومایند با معماری LayoutLMv3 هر سه را با هم می‌بیند: متن، مختصات و تصویر. تیتر را از پانوشت جدا می‌کند، سطر و ستون جدول را با رابطه سلول‌ها نگه می‌دارد و ترتیب درست خواندن فارسی را بازسازی می‌کند. خروجی‌اش JSON تمیز است که مستقیم وارد بایگانی می‌شود؛ از یک برگ تا آرشیو چندمیلیون‌برگی.