Le traitement intelligent des documents aide les institutions à transformer divers contenus multimodaux (tels que des rapports, des contrats, des documents, des politiques et des documents de recherche) en informations structurées et consultables en identifiant les informations les plus importantes. 

Le traitement de documents avec les modèles et les bibliothèques ouverts NVIDIA Nemotron combine fonctionnalités d'extraction haute fidélité, de récupération multimodale et de génération fondée sur les sources. Les équipes sont en capacité de créer des agents d'IA qui lisent des documents comme des experts tout en préservant la traçabilité jusqu'à la source d'origine.

Ces solutions couvrent une multitude de domaines afin d'aider les équipes d'analystes, de chercheurs et d'utilisateurs finaux à obtenir de meilleurs résultats.

• Découverte plus rapide d'informations : automatisez l'examen de rapports, de contrats et de politiques denses afin que les équipes obtiennent des réponses en quelques secondes au lieu de quelques heures.
• Charges de travail de documents évolutives : traitez des millions de PDF, de pages Web et de feuilles de calcul en parallèle à l'arrivée de nouvelles données, sans avoir à recruter du personnel en conséquence.
• Qualité de décision supérieure : préservez les tableaux, les graphiques et les figures pour permettre aux agents d'IA de raisonner sur des preuves identiques à celles en lesquelles les experts ont confiance aujourd'hui.
• Auditabilité et conformité : ancrez chaque réponse dans des pages et des tableaux cités pour répondre à des exigences réglementaires et d'audit interne strictes.
• Impact intersectoriel : prenez en charge divers workflows dans les domaines de la finance, du droit et de la science, avec un pipeline intelligent qui s'adapte à différents types de documents et domaines.

Un pipeline de traitement intelligent de documents s'articule autour de trois composants principaux : l'extraction, l'intégration et l'indexation, ainsi que le reclassement pour la génération de réponses.

Les développeurs peuvent configurer, étendre et déployer des solutions avec des modèles ouverts, NeMo Retriever et des microservices NIM.

Utilisez la bibliothèque NeMo Retriever avec des services d'analyse et d'OCR auto-hébergés ou hébergés par NVIDIA pour ingérer des PDF, des pages Web et d'autres documents multimodaux et les convertir en unités structurées telles que des fragments de texte, des tableaux Markdown et des graphiques recadrés, tout en préservant la mise en page et la sémantique. Cette étape permet de débloquer du contenu riche en conservant les tableaux sous forme de tableaux et les figures sous forme d'images, produisant ainsi des sorties JSON que les modèles de récupération et de génération en aval peuvent utiliser de manière fiable.

Insérez des éléments extraits dans des modèles d'intégration multimodaux Nemotron afin d'encoder du texte, des tableaux et des graphiques dans des vecteurs denses adaptés à la récupération de documents. Stockez ces vecteurs et les métadonnées associées dans une base de données vectorielle telle que Milvus, afin de permettre une recherche sémantique en quelques millisecondes sur des millions d'éléments de document, tout en maintenant votre base de connaissances à jour en continu à mesure que de nouveaux contenus arrivent.

Récupérez les top-K candidats à partir de l'IndeX vectoriel et appliquez le reclassement des codeurs croisés Nemotron pour donner la priorité aux passages, aux tableaux et aux figures qui répondent le mieux à la question d'un utilisateur. Transmettez ce contexte reclassé à un modèle de génération Nemotron, qui produit des réponses ancrées avec des citations explicites renvoyant aux pages et aux graphiques d'origine, afin que les équipes commerciales, financières et scientifiques puissent faire confiance à chaque décision prise en charge par le système et l'auditer.

Aperçu du code pour la création d'un pipeline de traitement de documents intelligent à l'aide de technologies Nemotron ouvertes