साधारण OCR-टू-कैलेंडर टूल्स वास्तविक दुनिया के पोस्टरों और मोबाइल स्क्रीनशॉट पर विफल हो जाते हैं क्योंकि वे इमेज को एक सपाट टेक्स्ट मानते हैं और पहली पंक्ति (lines[0]) को ही आंख मूंदकर इवेंट का नाम मान लेते हैं। फोन स्क्रीनशॉट या कॉन्सर्ट पोस्टर पर पहली पंक्ति अक्सर स्टेटस-बार का शोर (9:41 AM 5G), टिकटिंग वॉटरमार्क (TICKETMASTER), या प्रमोटर का नाम (LIVE NATION PRESENTS) होती है।
Utiliome की 3-चरणीय लोकल AI पाइपलाइन आपके फ़्लायर की विज़ुअल हायरार्की और सिमेंटिक एंटिटीज दोनों को समझती है:
- Tesseract v6 लेआउट ब्लॉक व बाउंडिंग-बॉक्स एक्सट्रैक्शन: हर पंक्ति के सटीक पिक्सेल निर्देशांक (
bbox: { x0, y0, x1, y1 }) निकालता है और पोस्टर की औसत टेक्स्ट ऊंचाई के सापेक्ष इसकी विज़ुअल फ़ॉन्ट ऊंचाई (y1 - y0) की गणना करता है। - लोकल
Xenova/bert-base-NERवेब वर्कर: ऑल-कैप्स टेक्स्ट को स्मार्ट टाइटल केस में बदलता है और 90ms से कम समय मेंLOC(स्थान, सड़कें, शहर),ORG(बैंड, आयोजक),PER(कलाकार, वक्ता), औरMISC(टूर, उत्सव) को वर्गीकृत करने के लिए वेब वर्कर के भीतर टोकन क्लासिफिकेशन चलाता है। - हेडलाइन और वेन्यू पेयरिंग: बड़े फ़ॉन्ट वाली हेडलाइन पंक्तियों को एक स्वच्छ
इवेंट शीर्षकमें जोड़ता है, जबकि लगातार आने वालीLOCपंक्तियों (जैसे पते के ऊपर वेन्यू का नाम) कोस्थान / वेन्यूफ़ील्ड में मिला देता है।