В ИДСТУ СО РАН состоялась защита докторской диссертации Алексея Шигарова

В Институте динамики систем и теории управления имени В.М. Матросова СО РАН 25 декабря 2025 года состоялась защита докторской диссертации ведущего научного сотрудника лаборатории комплексных информационных систем ИДСТУ СО РАН Алексея Олеговича Шигарова на тему «Методы и инструментальные средства автоматизации процессов извлечения данных из таблиц электронных документов неструктурированного формата». Защита проходила в Диссертационном совете ИДСТУ СО РАН по специальности 2.3.5 — «Математическое и программное обеспечение вычислительных систем, комплексов и компьютерных сетей».

Исследование посвящено актуальной проблеме автоматизированного понимания таблиц — извлечению структурированных данных из документных таблиц, встроенных в электронные документы неструктурированного формата (PDF, PostScript, Excel, Sheets, HTML и др.). По оценкам ученых, только в открытой части интернета насчитывается не менее сотен миллионов HTML-таблиц с реляционными данными, из которых можно извлечь сотни миллиардов фактов. Однако существующие инструменты, ориентированные преимущественно на текст, не справляются с таблицами: информация в них кодируется не только естественным языком, но и через структуру ячеек.

В рамках работы над докторской диссертацией Алексей Олегович разработал комплекс методов и инструментальных средств, которые позволяют автоматически распознавать таблицы в нередактируемых печатно-ориентированных документах и конвертировать их в редактируемый формат, анализировать и интерпретировать таблицы в рабочих книгах, извлекая наборы записей. Особое внимание в работе уделено поддержке произвольной структуры таблиц — свободной компоновки, структурированности ячеек и иерархичности заголовков.

Одним из результатов работы стал проблемно‑ориентированный язык правил для анализа и интерпретации таблиц. Этот инструмент существенно упрощает разработку целевого программного обеспечения, поскольку концентрируется исключительно на логике этапов автоматизированного понимания таблиц. Разработанный комплекс уже успешно применён в пяти научных и трёх прикладных проектах, среди которых анализ технических, финансовых и научных документов, а также интеграция в отчеты государственной статистики.

Экспериментальные данные подтвердили, что предложенные методы соответствуют мировому уровню, при этом разработанные решения качественно преодолевают ключевые ограничения существующих аналогов, главным из которых является отсутствие поддержки произвольной структуры таблиц. Созданные в ходе исследования модели и методы открывают путь к разработке новых информационных технологий и программных продуктов для сбора и интеграции данных из документных таблиц. Их внедрение способно существенно сократить затраты на создание специализированного программного обеспечения в этой области.