Retab籌集350萬美元並推出人工智慧平台將雜亂文件轉換為結構化數據

對於在物流、金融、醫療等行業中構建人工智慧工具的開發人員來說，一个挑戰始終存在：讓大型語言模型（LLM）可靠地從真實世界文件中提取數據。PDF發票、200頁報告、手寫表格和掃描的身份證件往往會使否則強大的AI系統失靈。

Retab是一家由曾經親身面臨這個問題的工程師創立的新創公司，現在推出解決方案。除了平台的公開推出，該公司還宣佈了350萬美元的種子輪融資，由VentureFriends、Kima Ventures和K5 Global領投，Eric Schmidt（通過StemAI）、Olivier Pomel（Datadog (DDOG ) CEO）和Florian Douetteau（Dataiku CEO）參投。

Retab並不是另一個LLM提供商，而是一個位於LLM之上的開發人員優先的文件人工智慧平台，允許用戶定義要提取的數據，然後處理整個過程：標記、評估、提示工程、模型基準測試和路由。

“人們不斷構建看起來很神奇的AI演示，但在生產中卻失敗，”Retab聯合創始人和CEO Louis de Benoist說。“我們構建Retab是因為我們厭倦了為了從文件中提取幾個字段而搭建脆弱的管道。現在，開發人員可以專注於他們想要的結構——我們會處理其餘的。”

Retab的真正作用

在其核心，Retab將無結構文件（PDF、掃描文件、表格）轉換為乾淨的結構化JSON或表格輸出，開發人員可以直接將其放入生產系統。作為SDK和平台，Retab抽象 away構建AI驅動的數據提取工作流程的複雜性。

使用Retab的公司只需描述它們想要的數據結構。Retab然後自動生成標記數據集，選擇最佳的LLM，完善提示，處理錯誤檢測和重試邏輯。通過三項核心創新，Retab確保生產級別的準確性：

• 自優化結構：Retab使用內部AI代理迭代測試和完善提取指令，使用真實示例，消除了手動調整的需要。
• 智能模型路由：平台是模型不可知的，自動基準測試多個LLM（例如OpenAI、Anthropic、Google ），根據成本、速度和準確性要求將每個文件路由到最佳模型。這使得一些用戶可以將處理成本降低多達100倍。
• k-LLM共識和指導推理：Retab不僅僅依賴單個模型的輸出，而是強制逐步推理（鏈式思考）和並行運行多個模型以達到共識。如果仍然存在不確定性，則標記或重新計算，給開發人員每個答案的信心。

這個協調層給開發人員提供了將錯誤的文件流（如合同解析、身份驗證或發票分析）轉換為可擴展的、自我糾正的系統的能力。

從物流到基礎設施

創始人最初在物流行業中構建文件密集型操作的內部流程時建立了Retab的基礎。但是當他們改進工具時，他們意識到其價值遠遠超出了任何單個用例。今天，Retab已經被數十家公司在以下領域使用：

• 物流：解析提單、海關清單和交貨記錄
• 金融：從長篇報告中提取風險因素和財務指標
• 醫療：自動化入院表格、索賠和醫療記錄

一家卡車公司使用Retab找到了滿足其99%準確性要求的最小、最快的模型配置，從而減少計算成本和延遲而不犧牲性能。一家金融公司通過使用Retab從投資者文件中提取結構化風險指標，將季度分析時間縮短了幾天。

“AI經濟依賴於將雜亂、人類可讀的文件轉換為結構化、可驗證的數據，”Dataiku CEO Florian Douetteau說。“Retab是使這一躍升在規模上成為可能的平台。”

展望未來

Retab現在正在超越文件：即將推出的版本將允許用戶從網頁和動態內容中提取數據，開啟競爭分析、合規性抓取和入職自動化等用例。Zapier、n8n和Dify等工具的集成也在進行中，允許Retab無需自定義代碼即可插入現有的工作流程中。

長期來看，Retab旨在成為世界上無結構化數據和依賴它的AI代理之間的中間件層——無論是企業搜索、RPA還是AI副駕駛。

儘管只有十名員工，Retab已經被認可為開發AI本地產品的開發人員的基礎建設塊——不僅是一個供應商，而是一個工具集，用於操作真實世界數據的雜亂現實。