如何从文档照片中提取信息

我想构建一个简单的工具，允许用户拍摄文档照片并提取信息，如日期/时间和其他一些信息。

通过Chat GPT的用户界面做到这一点很简单，上传一张图片，向它询问文档中的一些信息。但仅仅从我的代码中调用Chat GPT的API真的是一个可行的解决方案吗？

注意：我没有真正的AI经验或知识，但我有很多编程经验（我全职工作为开发人员）。

回答：

有几种方法可以实现，但你可以从Ollama开始，你需要下载一个model，比如llama3，如果你有Python经验，你就很幸运了。

你不需要训练模型，市面上有不同的模型可以满足你的需求或解决这类问题，你只需要向llm提供你的文档（图片、文本、PDF等），然后对它们提问即可。

然而，在某些情况下，如果你的PDF包含金融信息如年金等，你可能需要对其进行训练，以便它能理解如何进行这些类型的计算，或者更好的是编写一个继承自Langchain_tool的函数，以指导llm如何在这些特定情况下使用它。

这感觉就像是一个可能会在没有通知的情况下改变的黑盒子，即脆弱的。我以为我需要训练并部署自己的模型，使用Chat GPT对我想要做的事情来说是不是昂贵的过度解决方案？如果我最终有了很多用户，我认为这会成为一个问题。

以下是实现这一目标的一般步骤：

步骤1：首先下载Ollama，然后你可以拉取llama镜像作为你的llm，执行docker pull拉取llama，建议使用llama3。

步骤2：寻找一个可以将图片转换为文本或PDF的库，例如

光学字符识别库（OCR）

步骤3：寻找一个将文本转换为向量的向量数据库（如FAISS、chromadb等），这使得信息提取变得容易。

步骤4：将你的文档输入到向量数据库中，以便它可以将其转换为向量，因为数字是好的…

学技术