Retab pozyskuje 3,5 mln dolarów i uruchamia platformę opartą na sztucznej inteligencji do przekształcania nieuporządkowanych dokumentów w strukturyzowane dane

Dla deweloperów budujących narzędzia oparte na sztucznej inteligencji w branżach takich jak logistyka, finanse i opieka zdrowotna, jednym z głównych wyzwań jest uzyskanie niezawodnego wyodrębniania danych z dokumentów rzeczywistych. Dokumenty PDF, 200-stronicowe raporty, formularze odręczne i skany często powodują problemy w nawet najpotężniejszych systemach sztucznej inteligencji.

Retab, nowa firma założona przez inżynierów, którzy sami doświadczyli tego problemu, właśnie uruchomiła się, aby rozwiązać ten problem. Wraz z publiczną premierą swojej platformy, firma ogłosiła również pozyskanie 3,5 mln dolarów w ramach finansowania wstępnego, prowadzonego przez VentureFriends, Kima Ventures oraz K5 Global, z udziałem Erica Schmidta (za pośrednictwem StemAI), Oliviera Pomela (dyrektora generalnego Datadog (DDOG )) oraz Floriana Douetteau (dyrektora generalnego Dataiku).

Retab nie jest kolejnym dostawcą modeli językowych, lecz oferuje platformę dla deweloperów do sztucznej inteligencji dokumentów, która pozwala użytkownikom określić, jakie dane chcą wyodrębnić, a następnie zajmuje się cały proces: etykietowaniem, oceną, inżynierią podpowiedzi, benchmarkingiem modeli i routingiem.

„Ludzie ciągle budują dema sztucznej inteligencji, które wyglądają magicznie, ale rozpadają się w produkcji”, powiedział Louis de Benoist, współzałożyciel i dyrektor generalny Retab. „Zbudowaliśmy Retab, ponieważ byliśmy zmęczeni łączeniem kruchych potoków tylko po to, aby wyodrębnić kilka pól z dokumentu. Teraz deweloperzy mogą się skupić na schemacie, który chcą — my zajmiemy się resztą.”

Co tak naprawdę robi Retab

W swojej istocie, Retab przekształca nieuporządkowane dokumenty — pliki PDF, skany, formularze — w czyste, strukturyzowane dane JSON lub dane tabelaryczne, które deweloperzy mogą wdrożyć w systemach produkcyjnych. Zbudowany jako zestaw SDK i platforma, Retab abstrahuje całą złożoność budowy sztucznie inteligentnych potoków wyodrębniania danych.

Firmy korzystające z Retab po prostu opisują schemat danych, które chcą wyodrębnić. Retab następnie automatycznie generuje zestawy danych z etykietami, wybiera optymalne modele językowe, udoskonala podpowiedzi i zajmuje się wykrywaniem błędów i logiką ponownych prób. Zapewniając dokładność na poziomie produkcyjnym dzięki trzem podstawowym innowacjom:

• Samooptymalizujące się schematy: Retab wykorzystuje wewnętrznego agenta sztucznej inteligencji do iteracyjnego testowania i udoskonalania instrukcji wyodrębniania przy użyciu rzeczywistych przykładów, eliminując potrzebę ręcznego dostosowywania.
• Inteligencka obsługa modeli: Platforma jest niezależna od modeli i automatycznie testuje różne modele językowe (np. OpenAI, Anthropic, Google ), kierując każdy dokument do najlepszego modelu na podstawie wymagań dotyczących kosztów, szybkości i dokładności. To umożliwiło niektórym użytkownikom obniżenie kosztów przetwarzania nawet o 100x.
• k-LLM konsensus i sterowanie: Zamiast polegać na danych wyjściowych jednego modelu, Retab egzekwuje krok-po-kroku sterowanie (łańcuch myślowy) i uruchamia wiele modeli równolegle, aby osiągnąć konsensus. Jeśli pozostaje niepewność, jest ona oznaczona lub ponownie obliczana, dając deweloperom pewność co do każdej odpowiedzi.

Ta warstwa orkiestracji daje deweloperom możliwość przekształcenia błędnych przepływów dokumentów — takich jak analiza umów, weryfikacja tożsamości lub analiza faktur — w skalowalne, samokorygujące się systemy.

Od logistyki do infrastruktury

Założyciele pierwotnie zbudowali podstawy Retab podczas automatyzacji wewnętrznych procesów dla operacji związanych z dokumentami w branży logistycznej. Jednak gdy udoskonalali narzędzie, zrozumieli, że jego wartość przekraczała każdy pojedynczy przypadek użycia. Dziś Retab jest już używany przez dziesiątki firm w różnych branżach, w tym:

• Logistyka: Parsowanie list przewozowych, deklaracji celnych i dokumentów dostawy
• Finanse: Wyodrębnianie czynników ryzyka i wskaźników finansowych z długich raportów
• Ochrona zdrowia: Automatyzacja formularzy przyjęcia, roszczeń i dokumentów medycznych

Jedna firma transportowa wykorzystała Retab do identyfikacji najmniejszej, najszybszej konfiguracji modelu, która spełniała ich wymagania dotyczące 99% dokładności — zmniejszając koszty obliczeniowe i opóźnienia bez utraty wydajności. Firma finansowa skróciła czas analizy kwartalnej o kilka dni, wykorzystując Retab do wyodrębniania strukturyzowanych wskaźników ryzyka z dokumentów inwestycyjnych.

„Gospodarka oparta na sztucznej inteligencji zależy od przekształcenia nieuporządkowanych, czytelnych dla ludzi dokumentów w strukturyzowane, weryfikowalne dane”, powiedział Florian Douetteau, dyrektor generalny Dataiku. „Retab to platforma, która umożliwia ten skok na dużą skalę.”

Wydanie przyszłości

Retab rozszerza się teraz poza dokumenty: nadchodzące wersje umożliwią użytkownikom wyodrębnianie danych ze stron internetowych i dynamicznych treści, otwierając drzwi do przypadków użycia, takich jak analiza konkurencji, pobieranie danych zgodności i automatyzacja procesu przyjęcia. Integracje z narzędziami takimi jak Zapier, n8n i Dify są również w przygotowaniu, umożliwiając Retab umieszczenie się w istniejących przepływach pracy bez konieczności pisania kodu.

Długoterminowo, Retab ma na celu stać się warstwą pośrednią między nieuporządkowanymi danymi na świecie a agentami sztucznej inteligencji, które na nich polegają — niezależnie od tego, czy jest to wyszukiwanie przedsiębiorstw, RPA, czy piloci sztucznej inteligencji.

Pomimo posiadania zaledwie dziesięciu pracowników, Retab jest już uznawany za podstawowy element budulcowy dla deweloperów budujących produkty rodzime dla sztucznej inteligencji — nie tylko kolejnego dostawcę, ale zestaw narzędzi do operacjonalizacji nieuporządkowanych danych rzeczywistych.