在蘇丹，社區依賴地下水進行飲用、灌溉和生存，但鑽井的成功率並不高。複雜的地質條件、多變的含水層以及昂貴的鑽井費用使得獲取地下水成為一項挑戰。數十年的地質調查和現場報告中包含改善鑽井結果所需的數據，但這些信息分散在檔案館中，從未被系統化整理，導致需要這些數據的人無法有效獲取。
MapAid是一家由斯坦福大學創立的非營利組織，其使命是通過AI增強的地圖技術，幫助人道主義和發展機構（主要在非洲）做出數據驅動的決策。他們的旗艦工具WellMapr應用利用AI和地理空間數據識別淺層地下水區域，指導低成本鑽井，為小農户提供飲用水和灌溉水源。該模型的關鍵輸入是歷史井、鑽孔和含水層地質數據。
蘇丹知識檔案協會（SUDAAK）擁有最豐富的數據集之一：近700份掃描的PDF、TIFF和JPG文件，總計超過5000頁的地質調查、鑽井報告和實地研究，可在wossac.com上公開獲取。然而，可獲取並不等同於可訪問。研究人員若需查找蘇丹特定區域的鑽孔數據，必須手動翻閲數百份文檔。數據雖已數字化，但因缺乏檢索系統，仍然未被充分利用。
Databricks與MapAid合作，構建了一個AI驅動的管道，對檔案中的每份文檔進行分類、添加地理和主題元數據，並從水相關文檔中提取結構化的井和鑽孔記錄。該系統完全在Databricks上運行，並打包為單命令部署。技術方法的核心是將問題重構為視覺理解：將掃描頁面圖像直接發送給多模態AI模型，由其直觀地解讀內容。
管道的智能採樣策略降低了處理成本：較短的文檔全部分析，較長的文檔則從最信息豐富的部分（標題頁、引言和結論）採樣。這使AI處理量減少了70%以上，同時保持了分類質量。每個採樣頁面通過Databricks AI Functions（ai_query）進行分析，該函數原生支持多模態輸入和結構化JSON輸出。模型檢查每個頁面圖像並返回杜威十進制分類代碼、引用的蘇丹地理位置以及指示頁面是否包含井、鑽孔或含水層數據的水相關標誌。
對於每個水相關文檔，管道處理所有頁面，使用通過Foundation Model API提供的多模態模型逐頁執行OCR，該模型處理英語、阿拉伯語以及複雜佈局，包括手寫現場筆記、表格數據和混合格式頁面。OCR期間，系統還應用實體識別方法，將井和鑽孔標識符作為錨點實體，使得跨頁面的記錄可以鏈接回單個站點。所有頁面的提取文本合併成一個統一的文檔表示，然後進行第二次處理，提取結構化記錄，包括站點名稱、GPS座標、鑽井深度、靜水位和抽水測試產量。
自動質量評估作為管道的一流階段，使用單獨的AI模型對每個分類進行評分，評分標準涵蓋準確性、完整性和一致性。評估結果提供分類評級（優秀、良好、一般或差）和書面理由，為管道的每個決策創建可審計的追蹤。評分低於置信閾值的文檔標記為人工審核，僅有一小部分分類需要人工關注。
該項目利用Databricks的統一平台：原始檔案文件存儲在Unity Catalog Volumes中，所有管道輸出寫入具有ACID可靠性、模式演化和完整數據譜系的Delta Lake表。管道作為Lakeflow Job在無服務器計算上編排，MapAid只需按運行消耗付費。整個系統打包為Databricks Asset Bundle，可通過單一命令部署、更新和運行。由於管道邏輯與處理的具體檔案解耦，同一系統可適應其他水檔案、地區或需要分類和檢索大量掃描文檔的領域。
在首次完整運行中，管道對654份文檔和5570頁進行了分類，耗時不到三小時，95%的分類被評為“優秀”或“良好”，約50%的檔案被識別為包含水相關數據，並提取了299條結構化的井和鑽孔記錄，包括位置名稱、深度和產量測量值。管道將原本需要領域專家數週或數月的工作縮短為幾小時。現在，檔案可按分類、地理位置或水數據的存在進行搜索。提取的每條記錄直接輸入MapAid的地下水預測，支持更高的鑽井成功率和更快地向社區供水。
隨着SUDAAK繼續數字化新文檔，管道可通過單一命令處理每批新數據，確保目錄隨檔案增長而保持最新。MapAid的工作範圍覆蓋東非，包括埃塞俄比亞和馬拉維，類似未分類的檔案遍佈非洲大陸。該方法和基礎設施已準備好擴展。MapAid首席執行官Rupert Douglas-Bate表示，與Databricks for Good的合作極大地加速了他們的使命，將雜亂的歷史數據轉化為結構化系統，助力WellMapr算法的發展。