Технічний контекст
Я люблю такі кейси: на вході хаос у PDF та сканах, а на виході все одно можна зібрати робочу AI-інтеграцію. Питання було просте: як розуміти електричні креслення з будівництва, якщо кожен позначає як заманеться, а нас цікавить саме детекція елементів.
Я б тут не починав з магії. Я б починав з опорного словника символів, і в цій ролі дуже добре працює IEC 60617. Це міжнародна база графічних позначень для електричних схем, по суті, нормальний візуальний якір для моделі.
Далі стає цікавіше. Якщо у вас є Claude Sonnet або інша сильна мультимодальна модель, їй вже можна «згодувати» не тільки саме креслення, але й приклади символів, правила іменування та схожі варіанти з бібліотеки QElectroTech. І ось тут zero-shot або few-shot починає працювати значно краще, ніж голий промпт без контексту.
QElectroTech мені тут подобається з практичної причини: це не абстрактний стандарт на папері, а жива бібліотека елементів, сумісна з IEC-підходом. З неї зручно збирати референси, синтетику для навчання і навіть просту валідацію, коли я перевіряю, що модель не плутає вимикач з автоматом лише через стиль малюнка.
Якщо потрібен саме bbox detection, я б не романтизував LLM. Sonnet добре допомагає як шар розуміння, класифікації та нормалізації назв, але для масової розмітки на потоці я б тримав поруч YOLO або інший детектор. Зв'язка виходить здорова: vision-модель шукає об'єкти, Sonnet приводить це до IEC-логіки й витягує сенс зі схеми.
Що це змінює для бізнесу та автоматизації
Перше: в енергетиці та будівництві можна перестати чекати на ідеальний стандарт від підрядників. Якщо зібрати пайплайн навколо IEC 60617 та QElectroTech, з'являється реальна AI-автоматизація для розбору архівів схем, аудиту документації та підготовки даних для CAD/BIM-процесів.
Друге: старт стає дешевшим. Не потрібно одразу розмічати гігантський датасет з нуля, тому що стандарт і бібліотека символів уже дають міцну основу. Програють тут лише ті команди, які намагаються вирішити все одним OCR і дивуються, чому схема розвалюється на сміття.
Третє: архітектура стає дорослішою. Я б розділяв OCR, детекцію, класифікацію символів і постобробку за правилами мережі, а не звалював усе в один промпт. Ми в Nahornyi AI Lab якраз такі AI-рішення для бізнесу й збираємо: коли потрібне не демо на один PDF, а робоча система під реальний потік документів. Якщо у вас креслення гальмують проєкт, можна спокійно проаналізувати процес і зібрати AI-автоматизацію без зайвого галасу навколо «чарівного ШІ».