Behördebot AI

BehördeBot to modularny system złożony z backendu Flask (przetwarzanie podstawowe) oraz frontendu Streamlit (interfejs użytkownika). Użytkownicy przesyłają zeskanowane lub sfotografowane formularze (PDF/JPG/PNG). Backend konwertuje strony na obrazy, wykonuje OCR i wizualizuje rozpoznany tekst oraz ramki ograniczające.

System klasyfikuje typ formularza, wyodrębnia ustrukturyzowane pola (z wartościami ufności), przeprowadza ekstrakcję nazwanych encji, stosuje heurystyczne kontrole błędów oraz wykonuje wyszukiwanie typu retrieval-augmented generation (RAG) w lokalnym korpusie dokumentów prawnych, aby wyróżnić odpowiednie fragmenty przepisów.

Użytkownicy mogą tłumaczyć treści niemiecki↔angielski, edytować rozpoznane wartości pól w interaktywnej tabeli, zapisywać ustrukturyzowany JSON oraz generować przetłumaczone pliki PDF zachowujące układ do pobrania. Panel ewaluacji oblicza metryki OCR (WER/CER), tłumaczenia (BLEU) i użyteczności (SUS, ukończenie zadania), a dane wyjściowe i logi sesji są zapisywane w folderach uploads/ i outputs/. Architektura jest rozszerzalna (dodawanie kolejnych typów formularzy, uzupełnianie o LLM, podłączanie baz danych w chmurze).

• Niezawodność OCR przy słabych skanach: odręczny tekst, skany o niskiej rozdzielczości lub złożone układy zmniejszają dokładność ekstrakcji i późniejsze rozpoznawanie pól.
• Różnorodność formularzy i złożoność układu: wiele formularzy urzędowych ma subtelne różnice w układzie, solidna klasyfikacja i przypisywanie pól dla licznych szablonów jest pracochłonne.
  
• Kontekst prawny, trafność i zaufanie: zapewnienie, że wyniki RAG są prawnie poprawne, aktualne i opatrzone odpowiednimi wskazówkami, aby nie wprowadzać użytkowników w błąd.

• Modularny potok OCR i NER: połączenie Tesseract (lub lepszych silników OCR) z NER opartym na spaCy oraz heurystykami do wyodrębniania kandydatów na pola i typów encji (nazwiska, daty, adresy).
• Klasyfikacja formularzy i ustrukturyzowana ekstrakcja: klasyfikatory ML do rozpoznawania typów formularzy oraz logika ekstrakcji świadoma szablonu (ramki ograniczające i parsowanie semantyczne) w celu przypisania tekstu OCR do pól.
  
• Prawne RAG dla orientacji świadomej kontekstu: lokalny magazyn wektorowy dokumentów prawnych, umożliwiający pobieranie wspierających fragmentów dla każdego zapytania/strony, aby wyjaśnić wymagania formularza i przytoczyć odniesienia.

• Szybsze i mniej podatne na błędy wypełnianie formularzy: użytkownicy wypełniają formularze szybciej dzięki pomocy dotyczącej poszczególnych pól, wskazówkom o błędach i autouzupełnianiu na podstawie wyodrębnionych encji.
• Lepsza dostępność i wielojęzyczność: natychmiastowe tłumaczenie niemiecki↔angielski oraz generowanie plików PDF zachowujących układ obniżają bariery językowe dla osób nieposługujących się niemieckim.
  
• Możliwość kontroli i identyfikowalność: ustrukturyzowane dane wyjściowe JSON i logi ułatwiają weryfikację tego, co zostało wyodrębnione, poprawione i przywołane (przydatne dla punktów obsługi lub zgodności).

• Skrócony czas ręcznego przetwarzania: automatyzacja OCR i walidacji zmniejsza nakład pracy personelu na ręczne wprowadzanie danych i korekty.
• Mniej powtarzanych wniosków: wykrywanie błędów i jasne wskazówki zmniejszają liczbę ponownych złożeń, oszczędzając koszty administracyjne i papier.
  
• Opcja wdrożenia lokalnego/offline-first: stan oparty na plikach/RAM oraz lokalne korpusy prawne umożliwiają wdrożenia bez wysokich kosztów chmury czy trwałych baz danych (niższe koszty hostingu, lepsza ochrona danych).