Tabele z PDF-ów i skanów w gotowym Excelu

Otwórz plik i spróbuj zaznaczyć tekst myszką. Jeśli się zaznacza, są dwie możliwości: albo to PDF natywny, wygenerowany z systemu, i znaki przechodzą 1:1, albo to skan z doklejoną warstwą OCR — tekst zaznacza się równie ładnie, ale może już zawierać pomyłki rozpoznawania. Rozróżniamy to przy wycenie po samym pliku i mówimy wprost, z czym mamy do czynienia. Jeśli tekst się nie zaznacza, to skan albo zdjęcie i idzie przez OCR, a wynik zależy od rozdzielczości i tego, czy strona jest prosta.

Tak, robi to agent AI z narzędziami do ekstrakcji tabel i OCR, a wynik przed wysyłką ogląda człowiek. Nie obiecujemy zgodności co do znaku — obiecujemy, że pokażemy, gdzie jest ryzyko. Przy skanach OCR potrafi pomylić 0 z O, 1 z l, ą z a. Częstszym źródłem rozjazdów są jednak nie znaki, tylko struktura tabeli: komórki scalone, opisy łamiące się na kilka linii, tabela bez linii siatki, nagłówek powtórzony na każdej stronie. Dlatego liczymy sumy kontrolne i liczbę pozycji, porównujemy je z dokumentem i zaznaczamy wątpliwe komórki. Wynik trzeba sprawdzić przed wprowadzeniem do księgi — od tego są żółte pola i lista pozycji. Jeśli już przy wycenie widzimy, że plików nie da się sensownie odczytać (rozmyty faks, fotka pod kątem), mówimy to przed startem i nie bierzemy zlecenia.

Tak, to podstawa tej roboty. Zwykły eksport z PDF-a wrzuca kwoty jako tekst — spacja w tysiącach, kropka zamiast przecinka — i sumy w Excelu nie działają. Czyścimy to: kwoty jako liczby, daty jako daty, a NIP-y i kody pocztowe jako tekst, żeby nie gubiły zer wiodących.

Da się i to standard przy fakturach oraz wyciągach — sklejamy tabelę przechodzącą między stronami, wycinamy powtórzony nagłówek i rozbijamy scalone komórki. Jeden warunek: podział na kolumny w takiej tabeli jest naszą interpretacją, a nie faktem zapisanym w pliku, więc zatwierdzasz go na próbnej stronie, zanim ruszy reszta. Dokumenty obcojęzyczne odczytujemy tak samo (łacinka, cyrylica), ale nagłówków nie tłumaczymy — jeśli mają być po polsku, podaj słownik kolumn.

Tutaj sensownie idzie do około 50 dokumentów albo 100 stron. Powyżej wyceniamy indywidualnie, bo przy takiej skali zwykle opłaca się zbudować powtarzalny skrypt zamiast przerabiać całą paczkę raz ręcznie. Osobna sprawa to paczka faktur w kilkunastu różnych układach — każdy układ to w praktyce osobne dopasowanie, więc napisz o tym przy wycenie, bo wpływa na cenę. Cenę podajemy przed startem i nie doliczamy nic za strony, które okazały się trudniejsze, niż wyglądały na próbce. Przedpłata, faktura VAT, prawo odstąpienia i reszta zasad rozliczeń: /zasady/.

Dokumenty przechodzą przez model AI dostawcy zewnętrznego — bez tego usługa nie mogłaby powstać, a przetwarzanie odbywa się częściowo poza EOG. Nie trafiają do zbiorów treningowych. Domyślnym kanałem jest WhatsApp, więc pliki przechodzą też przez Meta jako pośrednika. Pliki robocze kasujemy 30 dni po odbiorze, wcześniej na twoją prośbę — razem z grupą i mediami z czatu. Faktury i wyciągi prawie zawsze zawierają dane osobowe, więc napisz przed wysyłką: podpisujemy wtedy umowę powierzenia (wzór dostajesz do wglądu przed startem), a pliki przyjmujemy linkiem do dysku zamiast WhatsAppem.