في عالم البيانات المتزايد بسرعة، أصبح استخراج المعلومات الرئيسية (Key Information Extraction - KIE) ضرورة ملحة للعديد من التطبيقات المتعلقة بالوثائق. ومع ذلك، فإن عملية إنشاء مجموعات البيانات التدريبية كانت تقليديًا عملية يدوية تستغرق وقتًا طويلاً. لكن مع دخول تقنيات الذكاء الاصطناعي، تم تغيير هذا الاتجاه بشكل جذري مع إطلاق إطار عمل جديد يدعى دوك أنوت (DocAnnot).

يستفيد دوك أنوت من نموذج كبير للرؤية اللغوية (Large Vision Language Model - LVLM) لاستخراج قيم التسميات، بالإضافة إلى تكنولوجيا التعرف الضوئي على الحروف (OCR) للكشف عن النصوص والصناديق المحيطة بها. لكن الابتكار الأكبر يأتي من خوارزمية جديدة هي "المطابقة السياقية المدروسة فضائيًا" (Spatially Informed Contextual Matching - SICM)، التي تعزز من ارتباطات القيم التسميات من خلال دمج العلاقات المكانية وتحليل القرب مع المطابقة النصية.

أظهرت التقييمات على مجموعات بيانات CORD وSROIE قدرة دوك أنوت على توليد التوصيفات تلقائيًا، محققة نتائج F1 مثيرة للاهتمام بلغت 0.679 و0.846 على التوالي. وعلاوة على ذلك، تم بحث فعالية استخدام البيانات المتوصيف عليها تلقائيًا في تحسين نماذج KIE لاحقًا. بينما تظل البيانات التي تم توصيفها يدويًا أفضل، إلا أن النماذج التدريبية باستخدام مخرجات دوك أنوت حققت نتائج محترمة (مثل LayoutLMv3 الذي حصل على دقة F1 بقيمة 0.6765 على CORD).

يتميز إطار العمل هذا بتقليل الاعتماد على الجهد اليدوي بشكل كبير، رغم أنه لم يتمكن بعد من إزالة الحاجة إلى تدخل الإنسان تمامًا. ومع ذلك، من خلال أتمتة العملية إلى النقطة التي يمكن عندها للمراجعين تحسين المخرجات بكفاءة، فإن نظام دوك أنوت يمكّن من تحقيق توصيفات قريبة من الكمال وبكفاءة أعلى بكثير من التوصيف اليدوي من الصفر. هذه الطريقة تقدم مزيدًا من التوفير في الوقت والتكاليف، مما يجعلها قيمة كبيرة في البيئات المحدودة الموارد وفي نماذج النمذجة السريعة.