В статье рассматриваются принципы применения технологий компьютерного зрения (Computer Vision) и обработки естественного языка (Natural Language Processing, NLP) при создании систем интеллектуальной обработки документов (Intelligent Document Processing, IDP) в рамках электронного документооборота. Проанализированы мультимодальные архитектуры на базе трансформеров – LayoutLMv3, DocLLM, UDOP, – обеспечивающие совместное кодирование текста, изображения и пространственной разметки документа. Приведены количественные результаты бенчмарков по извлечению данных из форм и квитанций, классификации и визуальному вопросно-ответному взаимодействию. Обоснована экономическая целесообразность внедрения IDP-решений на примере рыночной статистики 2023–2025 гг. Сформулированы ключевые ограничения и перспективные направления развития.
интеллектуальная обработка документов, электронный документооборот, компьютерное зрение, обработка естественного языка, оптическое распознавание символов, LayoutLMv3, мультимодальные модели, трансформеры
1. Intelligent Document Processing (IDP) Market Size to Hit USD 43.92 Billion by 2034 // Precedence Research. – Updated: November 2025. – URL: https://www.precedenceresearch.com/intelligent-document-processing-market (дата обращения: 12.02.2026).
2. Российский рынок СЭД удерживает темпы роста в 15–20% ежегодно // CNews Analytics. – 2024. – URL: https://corp.cnews.ru/reviews/rynok_sed_2024 (дата обращения: 12.02.2026).
3. 2025 OCR Accuracy Benchmark Results: A Deep Dive Analysis // Sparkco AI. – 2025. – URL: https://sparkco.ai/blog/2025-ocr-accuracy-benchmark-results-a-deep-dive-analysis (дата обращения: 12.02.2026).
4. Xu Y. LayoutLMv2: Multi-modal Pre-training for Visually-Rich Document Understanding / Y. Xu, Y. Xu, T. Lv [et al.] // Proceedings of the 59th Annual Meeting of the Association for Computational Linguistics (ACL). – 2021. – P. 2579–2591. DOI: https://doi.org/10.18653/v1/2021.acl-long.201
5. Huang Y. LayoutLMv3: Pre-training for Document AI with Unified Text and Image Masking / Y. Huang, T. Lv, L. Cui [et al.] // Proceedings of the 30th ACM International Conference on Multimedia (MM '22). – 2022. – P. 4083–4091. DOI: https://doi.org/10.1145/3503161.3548112
6. Tang Z. Unifying Vision, Text, and Layout for Universal Document Processing / Z. Tang, Z. Yang, G. Wang [et al.] // Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). – 2023. – P. 19254–19264. DOI: https://doi.org/10.1109/CVPR52729.2023.01845
7. Wang D. DocLLM: A Layout-Aware Generative Language Model for Multimodal Document Understanding / D. Wang, N. Raman, M. Sibue [et al.] // Proceedings of the 62nd Annual Meeting of the Association for Computational Linguistics (ACL). – 2024. – P. 8442–8468. DOI: https://doi.org/10.18653/v1/2024.acl-long.463
8. Yang X. Clinical Concept Extraction Using Transformers / X. Yang, J. Bian, W. R. Hogan, Y. Wu // Journal of the American Medical Informatics Association. – 2020. – Vol. 27, No. 12. – P. 1935–1942. DOI: https://doi.org/10.1093/jamia/ocaa189
9. Abilio R. Evaluating Named Entity Recognition: A comparative analysis of mono- and multilingual transformer models on a novel Brazilian corporate earnings call transcripts dataset / R. Abilio, L. A. F. Pereira, R. M. Marcacini // Expert Systems with Applications. – 2024. – Vol. 255. – Art. 124647. DOI: https://doi.org/10.1016/j.asoc.2024.112158
10. Lai H. Language models for data extraction and risk of bias assessment in complementary medicine / H. Lai, J. Tang, G. Liu [et al.] // npj Digital Medicine. – 2025. – Vol. 8, No. 1. – Art. 74. DOI: https://doi.org/10.1038/s41746-025-01457-w
