Extrakce strukturovaných dat z českých faktur

Abstract

Tato práce se zabývá implementací použitelného řešení pro extrakci strukturovaných dat z českých faktur. V první řadě je prostudování veřejně dostupných (open-source) a komerčních řešení této problematiky a také prostudování veřejně dostupných nástrojů a modelů, které jdou potenciálně použít při vytváření vlastního řešení. Implementační část této práce je rozdělena do dvou částí: nejdříve je potřeba vytvořit nástroj pro označení klíčových hodnot na českých fakturách a tímto nástrojem vytvořit trénovací data pro evaluaci a trénování modelů našeho řešení. Druhou částí implementace je návrh a konstrukce modelu, který dokáže extrahovat strukturovaná data z českých faktur.

The goal of this thesis is to implement a usable solution for extraction of structured data from Czech invoices. The first part of this thesis is to study open-source and commercial solutions addressing this problem and study publicly available tools and models that could potentially be used for said solution. The implementation part of this thesis is split in two parts: firstly, implementation of a tool for labeling Czech invoices and using this tool to create a training data set for evaluation and training of machine-learning models. Secondly, design and implementation of a solution that can extract structured data from Czech invoices.