Label Studio научилась размечать документы в DocLang

IBM вместе с HumanSignal выкатили связку для работы с документами: у Label Studio появился интерфейс разметки прямо на страницах и нативный экспорт в DocLang. Это первая платформа разметки с поддержкой открытого стандарта.

🔧 Как устроено:
В чём засада: публичные датасеты никогда не похожи на ваши настоящие бумаги. Поэтому цикл оптимизировали под свои документы:
собираете выборку из своих счетов, договоров и отчётов
Docling через бекенд IBM watsonx сам делает первичную разметку
человек правит предсказание: рамки элементов, порядок чтения, таблицы со склеенными ячейками
вкладка DocLang в реальном времени показывает XML и превью страницы
на выходе архив .dclx со структурой и картинками страниц
Поправить готовое предсказание заметно быстрее, чем размечать с чистого листа.

📊 Зачем оно нужно:
Итог разметки: ваш собственный золотой набор сразу под две задачи.
Первая: гонять каждую новую версию Docling на своих документах и ловить регрессии до продакшна.
Вторая: собирать примеры под файнтюн своих форматов.
Бонусом: бумаги с низкой уверенностью уходят человеку на проверку и возвращаются правильным DocLang.

🌐 Контекст:
DocLang это открытый стандарт представления документов от LF AI & Data, запущенный в июне.
Стандарт поддержан IBM, NVIDIA, Red Hat, ABBYY и HumanSignal.
И теперь у него появился первая независимая реализация в Starter Cloud и Enterprise подписках у Label Studio с пробным периодом в две недели.
Новый аккаунт watsonx даёт 30 дней и 5000 страниц бесплатно.

📎 https://humansignal.com/blog/docling-labelstudio/

Понятно, что у нас это не применишь, но интересно как вектор развития и поскольку стандарт открытый, - можно залабать свою версию.

#DocLang #разметка #OCR #Docling #IBM #LabelStudio
———
@tsingular