Retab привлекает $3,5 млн и запускает платформу на основе ИИ для преобразования неструктурированных документов в структурированные данные

Для разработчиков, создающих инструменты на основе ИИ в таких отраслях, как логистика, финансы и здравоохранение, одной из основных проблем является надежное извлечение данных из реальных документов с помощью крупномасштабных языковых моделей (LLM). PDF-накладные, 200-страничные отчеты, рукописные формы и сканированные удостоверения личности часто вызывают сбои в работе даже самых мощных систем ИИ.

Retab, новая компания, основанная инженерами, которые столкнулись с этой проблемой на собственном опыте, запустила платформу для решения этой задачи. Вместе с публичным запуском платформы компания объявила о привлечении $3,5 млн в рамках раунда предсеменного финансирования под руководством VentureFriends, Kima Ventures и K5 Global, с участием Эрика Шмидта (через StemAI), Оливье Помеля (генеральный директор Datadog (DDOG )) и Флорана Дуэтто (генеральный директор Dataiku).

В отличие от других поставщиков LLM, Retab располагается на одном уровне выше, предлагая платформу для документов ИИ, ориентированную на разработчиков, которая позволяет пользователям определять, какие именно данные они хотят извлечь, а затем обрабатывает весь процесс: маркировку, оценку, проектирование подсказок, бенчмаркинг моделей и маршрутизацию.

“Люди продолжают создавать демонстрации ИИ, которые выглядят магически, но разваливаются в производстве,” сказал Луи де Бенуа, сооснователь и генеральный директор Retab. “Мы создали Retab, потому что устали подключать хрупкие конвейеры, чтобы извлечь несколько полей из документа. Теперь разработчики могут сосредоточиться на схеме, которую они хотят — мы обработаем остальное.”

Что на самом деле делает Retab

В своей основе Retab преобразует неструктурированные документы — PDF, сканы, формы — в чистые, структурированные выходные данные JSON или таблицы, которые разработчики могут использовать в производственных системах. Построенная как SDK и платформа, она абстрагирует всю сложность создания рабочих процессов извлечения данных на основе ИИ.

Компании, использующие Retab, просто описывают схему данных, которую они хотят. Retab затем автоматически генерирует помеченные наборы данных, выбирает оптимальную(ые) LLM(ы), уточняет подсказки и обрабатывает обнаружение ошибок и логику повторных попыток. Она обеспечивает производительную точность за счет трех основных инноваций:

• Самооптимизирующиеся схемы: Retab использует внутренний агент ИИ для итеративного тестирования и уточнения инструкций по извлечению с помощью реальных примеров, исключая необходимость ручной настройки.
• Интеллектуальная маршрутизация моделей: Платформа является независимой от модели и автоматически проводит бенчмаркинг по нескольким LLM (например, OpenAI, Anthropic, Google ), маршрутизируя каждый документ к лучшей модели на основе требований к стоимости, скорости и точности. Это позволило некоторым пользователям сократить затраты на обработку до 100 раз.
• Консенсус k-LLM и руководящее рассуждение: Вместо того, чтобы полагаться на вывод одной модели, Retab обеспечивает пошаговое рассуждение (цепочка мыслей) и запускает несколько моделей параллельно, чтобы достичь консенсуса. Если остается неопределенность, она помечается или пересчитывается, давая разработчикам уверенность в каждом ответе.

Этот оркестровочный слой дает разработчикам возможность преобразовать ошибочные потоки документов — такие как парсинг контрактов, проверка личности или анализ счетов — в масштабируемые, самоисправляющиеся системы.

От логистики к инфраструктуре

Основатели изначально построили основу Retab, автоматизируя внутренние процессы, связанные с документами, в логистической отрасли. Но когда они усовершенствовали инструмент, они поняли, что его ценность далеко превосходит любой отдельный случай использования. Сегодня Retab уже используется десятками компаний в различных областях:

• Логистика: парсинг накладных, таможенных манифестов и записей о доставке
• Финансы: извлечение факторов риска и финансовых показателей из длинных отчетов
• Здравоохранение: автоматизация форм ввода, заявок и медицинских записей

Одна транспортная компания использовала Retab, чтобы определить наименьшую и наиболее быструю конфигурацию модели, соответствующую их требованию точности 99% — сокращая вычислительные затраты и задержку без ущерба для производительности. Финансовая фирма сократила на несколько дней квартальный анализ, используя Retab для извлечения структурированных показателей риска из документов инвесторов.

“Экономика ИИ зависит от преобразования неструктурированных, читаемых человеком документов в структурированные, проверяемые данные,” сказал Флоран Дуэтто, генеральный директор Dataiku. “Retab — это платформа, которая делает этот скачок возможным в масштабе.”

Взгляд в будущее

Retab теперь расширяет свои возможности за пределы документов: предстоящие релизы позволят пользователям извлекать данные из веб-страниц и динамического контента, открывая двери к случаям использования, таким как конкурентный анализ, соблюдение нормативных требований и автоматизация ввода. Интеграции с инструментами, такими как Zapier, n8n и Dify, также находятся в разработке, позволяя Retab встраиваться в существующие рабочие процессы без необходимости написания пользовательского кода.

В долгосрочной перспективе Retab стремится стать средним слоем между неструктурированными данными мира и агентами ИИ, которые от них зависят — будь то поиск в корпоративной среде, RPA или копилоты ИИ.

Несмотря на то, что в Retab всего десять сотрудников, Retab уже признан фундаментальным строительным блоком для разработчиков, создающих продукты, родные для ИИ — не просто еще один поставщик, а набор инструментов для операционализации неструктурированных данных реального мира.