llmcase.ru
🛍️
Как маркетплейс металлопроката вырос с 70 до 170 поставщиков без раздувания штата контент-менеджеров
SimbirSoft разработал для маркетплейса «Платферрум» модель распознавания товарных карточек, которая сопоставляет разнородные описания поставщиков с эталонным каталогом и снимает ручную нормализацию.
70→170+
поставщиков на платформе
×2
производительность обработки
120 000
карточек сопоставлено с каталогом
Коротко о кейсе
Маркетплейс металлопроката «Платферрум» столкнулся с тем, что 70+ поставщиков описывают один товар по-разному («арматура», «арм.150», «арм. желез. 150»), а вручную нормализовать 120 000 карточек под 30 000 эталонных стало невозможно. SimbirSoft построила NLP- и CV-конвейер — от NER-моделей на rubert-tiny2 и sbert_large_nlu_ru до распознавания таблиц в сканах через YOLOv8/YOLOv5 и EasyOCR. В результате число поставщиков выросло с 70 до более 170, а производительность обработки увеличилась в 2 раза.
Проблема
Более 70 поставщиков вели каталог из 20 000+ позиций, каждый описывал товар по-своему («арматура» / «арм.150» / «арм. желез. 150»), из-за чего карточки нельзя было автоматически сопоставить
Нужно было сопоставить около 120 000 карточек поставщиков (КТП) с примерно 30 000 эталонными карточками (ЭКТ) при малом числе обучающих примеров на категорию
Заявки от поставщиков приходили вперемешку в разных форматах — .doc, .docx, .xlsx, .pdf, .jpg, .png — каждый требовал своей обработки
Ручная нормализация карточек становилась неподъёмной нагрузкой для контент-менеджеров по мере роста числа поставщиков
Решение
NER-модуль распознавания товаров на BERT-моделях rubert-tiny2 и sbert_large_nlu_ru, обученных на ~4000 вручную размеченных заявках поставщиков (PyTorch, PyTorch-Lightning, Transformers)
Парсеры файлов разных форматов (docx2txt, python-doc, pandas, pymupdf) и распознавание сканов через Tesseract OCR
Модуль распознавания таблиц: препроцессор определяет скан или текстовый PDF и выравнивает страницы, YOLOv8 находит границы таблиц, YOLOv5 и CV-алгоритмы — границы ячеек
Распознавание текста в ячейках через EasyOCR с детектором CRAFT и Faster-RCNN
Результаты
70 → 170+
рост числа поставщиков на платформе
×2
рост производительности обработки заявок за счёт настройки EasyOCR
120 000 → 30 000
карточек поставщиков сопоставлено с эталонными карточками
Хотите так же?
Автоматизируйте e-commerce с помощью AI
Оставьте заявку — проведём аудит ваших продаж и покажем, где вы теряете деньги