ABBYY Hot Folder reconhece recibos localmente e usa apenas 25 MB de memoria

Ler recibos parece uma tarefa ideal para um agente de IA: ele recebe uma fotografia, reconhece as linhas, extrai a loja, a data, os itens e o total — pronto. Na pratica, entre a fotografia e as despesas estruturadas surge um pequeno zoologico de imagens inclinadas, papeis amassados, fontes estranhas, idiomas diferentes e formatos de ponto de venda. O autor do artigo testou esse caminho em 1.500 recibos e chegou a uma conclusao desagradavel, mas util: um modelo novo ainda nao significa um produto pronto.

O contraste mais evidente apareceu entre o pipeline artesanal e o ABBYY Hot Folder, um componente do FineReader que o autor conhece desde 2008. Enquanto as ferramentas modernas exigem a integracao de varios modelos e bibliotecas, o Hot Folder simplesmente monitora uma pasta, prepara as imagens, executa o OCR e salva o resultado. Segundo as observacoes do autor, o programa usa aproximadamente 25 MB de memoria em modo de espera.

Por que reconhecer o texto nao basta

A primeira versao da habilidade do agente usava o docTR. Dois modelos funcionam internamente: um encontra as areas com texto e o outro reconhece os caracteres. No entanto, ainda e preciso transformar o resultado em linhas e coloca-las na ordem correta. Para isso, o autor adicionou o bbox-align e, para endireitar documentos deformados, o docuwarp.

Isso revelou um importante limite de engenharia. O OCR pode identificar corretamente palavras isoladas, mas errar a estrutura do documento. As coordenadas das caixas delimitadoras as vezes chegam em uma ordem inesperada, as linhas sao montadas incorretamente e algumas palavras aparecem espelhadas ou de cabeca para baixo. No hebraico, a tarefa e mais complexa: o texto principal e lido da direita para a esquerda, enquanto os numeros dentro dele seguem da esquerda para a direita. Portanto, depois do reconhecimento, e necessaria uma camada separada de normalizacao que compreenda a direcao da escrita e a geometria do documento.

E mesmo isso representa apenas metade do trabalho. Recibos de uma mesma rede varejista podem variar quanto a posicao da data, do numero da filial, dos descontos e dos impostos. O nome da loja pode ser uma imagem, um produto pode aparecer como uma linha sem rotulo e um unico SKU pode corresponder a varios itens. Por isso, um formato universal quebra rapidamente. Um LLM simplifica a extracao de campos de textos heterogeneos, mas nao elimina a verificacao de totais, datas e linhas de produtos.

O que o Xiaomi-OCR revelou

A tentativa seguinte usou o Xiaomi-OCR-0, executado localmente por meio do llama.cpp em um notebook com 24 GB de RAM e aproximadamente 0,5 GB de VRAM. O modelo era carregado sob demanda e descarregado depois do processamento para nao ocupar memoria permanentemente. Um recibo de teste com dez itens levou cerca de 30 segundos para ser reconhecido.

Em imagens nitidas e alinhadas, o resultado foi bom. Em recibos desfocados, o modelo perdia trechos, as vezes passava a usar caracteres chineses e lidava mal com a escrita Sütterlin. O texto em russo tambem apresentou instabilidade na configuracao do autor. Isso nao torna o modelo inutil, mas mostra o custo da execucao local: sao necessarios um conjunto de testes, uma versao reproduzivel do modelo e um cenario explicito de contingencia.

O que adotar em um sistema de producao

Para uma maquina Windows em que uma licenca paga seja aceitavel, o Hot Folder continua sendo uma base de referencia robusta. Ele executa rapidamente a preparacao das imagens e o OCR, enquanto o agente pode ficar responsavel pela analise dos campos, pela categorizacao das despesas e pela validacao. Se codigo aberto, portabilidade e controle total sobre os dados forem prioridades, o docTR ou o Xiaomi-OCR com pos-processamento proprio oferecem mais liberdade, mas exigem consideravelmente mais trabalho de engenharia.

A conclusao pratica e simples: comece nao pela escolha de um modelo da moda, mas por um conjunto de recibos reais e de metricas. Meca a cobertura das linhas, a precisao dos totais, o tempo de processamento e a parcela de documentos enviados para revisao manual. E mantenha sempre uma ferramenta simples e pronta como ponto de controle. As vezes, o melhor agente e aquele que ha quinze anos monitora silenciosamente uma pasta e executa uma unica tarefa sem surpresas.