Pipeline ML / 2025

Paragon Pipeline

Seria modeli i algorytmów do odczytu, klasyfikacji oraz ekstrakcji informacji z polskich paragonów.

Bez AIEnd-to-end delivery
OCRNERTransformersReceipts
ParagonOCRParagonNERParagonPIE
EraBez AI
ZakresPipeline ML
SygnałOCR, klasyfikacja dokumentów i ekstrakcja danych
Dowód3 repo
Jak czytać ten projekt

Nie chodzi o sam screenshot. Chodzi o decyzje pod spodem.

Ten pasek porządkuje case study pod kątem klienta: jaki był problem, co zostało dowiezione, gdzie było ryzyko i jaki sygnał daje to przy podobnym zleceniu.

01

Problem

Paragon to trudny dokument: ma nieregularne formatowanie, skróty, szumy OCR i dane, których nie da się wygodnie parsować prostymi regexami.

02

Artefakt

Zbudowałem koncepcję pipeline'u: ParagonOCR odczytuje linie, ParagonNER klasyfikuje je, a ParagonPIE wydobywa informacje produktowe.

03

Decyzje

Pipeline rozbija problem na mniejsze etapy: obraz → linie tekstu → klasyfikacja linii → filtrowanie → ekstrakcja informacji.

04

Dowód

Potrafię projektować pipeline'y ML od pierwszych zasad.

Case study

Od problemu do działającego systemu.

Zamiast jednej ściany opisu: krótka ścieżka od kontekstu do sygnału, który daje projekt.

  1. 01Problem do rozwiązania
  2. 02Co zbudowałem
  3. 03Architektura
  4. 04Moja rola
01 / Kontekst

Problem do rozwiązania

Paragon to trudny dokument: ma nieregularne formatowanie, skróty, szumy OCR i dane, których nie da się wygodnie parsować prostymi regexami.

02 / Rozwiązanie

Co zbudowałem

Zbudowałem koncepcję pipeline'u: ParagonOCR odczytuje linie, ParagonNER klasyfikuje je, a ParagonPIE wydobywa informacje produktowe.

03 / Podejście

Architektura

Pipeline rozbija problem na mniejsze etapy: obraz → linie tekstu → klasyfikacja linii → filtrowanie → ekstrakcja informacji.

04 / Odpowiedzialność

Moja rola

Samodzielne badanie problemu, eksperymenty z modelami, projekt etapów pipeline'u i dokumentowanie zależności między repozytoriami.

Mapa pipeline'u

Nie jeden model, tylko seria decyzji technicznych.

Paragon Pipeline pokazuje, że umiem rozłożyć niejasny problem ML na etapy, które da się testować, wymieniać i rozwijać osobno.

  1. 01
    OCRObraz → linie

    Pierwszy etap skupia się na odczycie tekstu i przygotowaniu danych wejściowych z dokumentu o nieregularnym formacie.

  2. 02
    NERLinie → klasy

    Drugi etap klasyfikuje fragmenty paragonu, żeby system wiedział, które linie mogą zawierać istotne informacje.

  3. 03
    PIEKlasy → informacje

    Ostatni etap skupia się na ekstrakcji informacji produktowych i zamianie szumu dokumentu w strukturę.

Dlaczego to ma znaczenie

To case pokazuje myślenie architektoniczne w ML, nie tylko odpalenie notebooka.

Dzielę niepewny problem na etapy, które można mierzyć i poprawiać bez przepisywania całości.

Potrafię połączyć research, dane i praktyczny pipeline, nawet gdy wejście jest nieidealne.

To mocny dowód dla zleceń z OCR, NLP, klasyfikacją, ekstrakcją danych i automatyzacją dokumentów.

Jak przekładam to na zlecenie

Podobny problem dowiózłbym jako konkretny projekt, nie jako eksperyment bez końca.

Paragon Pipeline jest dowodem technicznego kierunku. Dla klienta zaczynam od zakresu, który można szybko sprawdzić, wdrożyć i świadomie rozwijać.

  1. 01 / Scope

    Najpierw zawężam ryzyko

    Wyciągam z projektu najmniejszy fragment, który naprawdę sprawdza techniczną i biznesową hipotezę.

  2. 02 / Build

    Potem buduję pionowy slice

    Zamiast rozlewać pracę na dziesiątki funkcji, dowożę działającą ścieżkę od UI do danych i deploya.

  3. 03 / Handoff

    Na końcu zostawiam dalszą drogę

    Dostarczam kod, decyzje techniczne, ograniczenia i listę następnych kroków, żeby projekt nie kończył się na demo.

Najtrudniejsze fragmenty

To są miejsca, gdzie projekt naprawdę testował myślenie.

  1. 01

    Podział złożonego problemu ML na mierzalne etapy.

  2. 02

    Praca z polskim językiem, skrótami i formatem paragonów.

  3. 03

    Myślenie o całym systemie, nie tylko pojedynczym notebooku.

Co to udowadnia
  1. 01

    Potrafię projektować pipeline'y ML od pierwszych zasad.

  2. 02

    Umiem rozłożyć niejasny problem na architekturę techniczną.

Projekt zbudowany ręcznie przed erą powszechnego AI-assisted codingu. Pokazuje samodzielne rozumienie problemu, debugowanie i dowożenie bez gotowych odpowiedzi z narzędzi AI.

Następny krok

Masz podobny problem do dowiezienia?

Napisz krótko, co chcesz zbudować. Najpierw uporządkuję problem, potem zaproponuję sensowną architekturę i pierwszy działający zakres.