Методология
AI LedParser использует модельный слой не для генерации итоговых инженерных параметров, а для чтения сложного datasheet: поиска релевантных графиков, распознавания их структуры и подготовки данных к проверяемому извлечению. Мы не раскрываем внутренние эвристики, пороги верификации и детали постобработки, но открыто описываем общий принцип работы системы, границы её применения и требования к результату.
Итоговые числа не «угадываются» AI-моделью. Модель помогает разобрать документ и график, а итоговые характеристики светодиода считает отдельный детерминированный расчётный слой.
В основе сервиса лежит гибридный AI pipeline: модельный слой помогает интерпретировать PDF и визуальную структуру графика, а расчётный слой отвечает за воспроизводимые численные операции. Сначала PDF обрабатывается как документ: определяются страницы и области, содержащие релевантные графики. Затем для выбранного графика восстанавливаются шкалы, единицы измерения и рабочий диапазон. После этого визуальная кривая переводится в числовой ряд. Уже на основе этого ряда выполняются расчёты, пригодные для инженерной работы.
Графики в LED datasheet задают ключевые характеристики светодиодов в рабочих условиях: прямой ток светодиода и напряжение (ВАХ), мощность светодиода, световой поток и световую отдачу (lm/W), спад параметров от температуры. Инструмент находит эти графики в PDF и переводит их в числовые ряды, по которым можно считать параметры светодиодов для конкретной рабочей точки, а не брать усреднённые значения из таблицы.
Так система работает с техническими характеристиками светодиода как с проверяемыми данными: зависимость «светодиод: напряжение — ток», изменение светового потока и мощности в заданном рабочем токе, а не как с разрозненными цифрами. Отдельные параметры — индекс цветопередачи (CRI), цветовую температуру (CCT) и форму ВАХ — мы разбираем в профильных материалах.
Числовой результат появляется не за один проход модели, а как последовательность отдельных, проверяемых шагов.
Сервис находит нужные страницы и выделяет область графика внутри PDF.
Определяются оси, шкалы, подписи и физические единицы.
Графическая линия переводится в набор точек в реальных координатах.
Производные параметры считаются отдельным расчётным слоем, а не генерируются моделью.
Точность достигается не обещанием «умной модели», а разделением ролей: AI помогает читать и структурировать datasheet, но не получает права придумывать кривую, шкалы или итоговые параметры.
Мы сознательно не доверили LLM-моделям «предсказывать» форму кривой и область графика вместе с осями. Такой подход выглядит проще, но не даёт требуемую точность 2%. Поэтому модельный слой не подменяет измерение: числовой результат появляется только после контролируемого выделения графика, явной калибровки осей и извлечения точек.
В пайплайне нет одной универсальной модели, которой доверен весь результат. Разные LLM-модели отвечают за разные, узко сегментированные задачи и возвращают ответ только в жёстко заданной, детерминированной форме, пригодной для последующей проверки и обработки.
Финальная проверка остаётся за человеком: он должен подтвердить точность извлечения данных. Если отклонение превышает 2%, система не разрешит верификацию графика и предложит сообщить об ошибке для дальнейшего дообучения системы.
Система хорошо работает с даташитами, где графики хорошего качества, хорошо видны подписи и названия осей. Метод считывания пока не позволяет работать с несколькими кривыми на одном графике, а также с графиками, где у осей неравномерный шаг сетки или сама сетка плохо читается и содержит фоновый визуальный шум.
