Специалист по подготовке данных (OCR / структурирование)

Основные задачи:

• Получать на вход сканированные PDF-файлы (с формулами, картинками, таблицами, текстом).
• Преобразовывать их в машиночитаемый формат, пригодный для последующей индексации и семантического поиска.
• Структурировать данные (текст, формулы, таблицы, изображения) с сохранением их логического контекста.
• Подготавливать итоговые документы в формате JSON / Markdown / TXT (или ином согласованном), удобном для загрузки в vector store.

Обязанности

1. OCR и извлечение текста:

• Использовать инструменты распознавания текста (например, Tesseract, ABBYY FineReader, Azure OCR, MathPix для формул).
• Сохранять не только распознанный текст, но и структуру (заголовки, параграфы, списки).
• Работа с формулами:
• Извлекать математические формулы в LaTeX или MathML.
• Проверять корректность распознавания (ручная верификация при необходимости).
• Работа с таблицами:
• Преобразовывать таблицы в машиночитаемый вид (CSV, Markdownтаблицы или JSON).
• Следить за сохранением логики строк/столбцов.
• Работа с изображениями и схемами:
• Сохранять изображения отдельными файлами.
• Делать краткое текстовое описание (alt-text) для контекста в векторной базе.
• Результат работы
• Машиночитаемый датасет, полностью готовый к загрузке в vector store.
• Сохранённая структура документа (текст, формулы, таблицы, изображения).
• Метаданные, позволяющие находить источник информации и обеспечивающие корректный поиск.

• удаленно
• оплата по договоренности
• знание казахского и русского языков