Modèles personnalisés composés Intelligence documentaire
Important
- Les mises en production de préversion publique Document Intelligence fournissent un accès anticipé aux fonctionnalités en cours de développement actif.
- Les fonctionnalités, approches et processus peuvent changer, avant la disponibilité générale (GA), en fonction des commentaires des utilisateurs.
- La version d'aperçu publique des bibliothèques clientes Document Intelligence est par défaut la version 2024-02-29-preview de l'API REST.
- La version d’évaluation publique 2024-02-29-preview est actuellement disponible uniquement dans les régions Azure suivantes :
- USA Est
- USA Ouest 2
- Europe Ouest
Ce contenu s’applique à : v4.0 (préversion) | Versions précédentes : v3.1 (GA) v3.0 (GA) v2.1 (GA)
Ce contenu s’applique à : v3.1 (GA) | Dernière version : v4.0 (préversion) | Versions précédentes : v3.0 v2.1
Ce contenu s’applique à : v3.0 (GA) | Dernières versions : v4.0 (préversion) v3.1 | Version précédente : v2.1
Ce contenu s’applique à : v2.1 | Dernière version : v4.0 (préversion)
Modèles composés. Pour créer un modèle composé, vous associez une collection de modèles personnalisés à un modèle unique créé à partir de vos types de formulaire. Quand un document est envoyé pour analyse en utilisant un modèle composé, le service effectue une classification pour identifier le modèle personnalisé qui représente le mieux le document envoyé.
Avec les modèles composés, il est possible d’affecter plusieurs modèles personnalisés à un modèle composé qui est appelé avec un ID de modèle unique. Cela est utile quand vous entraînez plusieurs modèles et que vous souhaitez les regrouper pour analyser des types de formulaires similaires. Par exemple, votre modèle composé peut inclure des modèles personnalisés qui sont entraînés pour analyser vos approvisionnements, vos équipements et vos bons de commande de mobilier. Au lieu d’essayer de sélectionner manuellement le modèle approprié, vous pouvez utiliser un modèle composé pour déterminer le modèle personnalisé approprié pour chaque analyse et extraction.
Les modèles
Custom form
etCustom template
peuvent être combinés de manière à former un modèle composé.L’opération de composition de modèle permet d’affecter un modèle composé à 200 modèles personnalisés entraînés au maximum. Pour analyser un document avec un modèle composé, Intelligence documentaire classifie d’abord le formulaire envoyé, choisit le modèle attribué qui correspond le mieux, puis retourne les résultats.
Pour les modèles personnalisés, le modèle composé peut être créé en utilisant des variations d’un modèle personnalisé ou différents types de formulaires. Cette opération est utile lorsque les formulaires entrants appartiennent à l’un de plusieurs modèles.
La réponse inclut une propriété
docType
pour indiquer les modèles composés utilisés pour analyser le document.Pour les modèles
Custom neural
, il est recommandé d’ajouter toutes les variantes d’un type de document dans un jeu de données d’entraînement et d’effectuer l’entraînement sur un modèle neuronal personnalisé. La composition de modèle convient plus particulièrement aux scénarios impliquant des documents de différents types qui sont envoyés à des fins d’analyse.
Avec l’introduction des modèles de classification personnalisés, vous pouvez choisir d’utiliser un modèle composé ou un modèle de classification comme étape explicite avant l’analyse. Pour mieux comprendre quand utiliser une classification ou un modèle composé, consultez Modèles de classification personnalisés.
Limites du modèle composé
Notes
Avec l’ajout du modèle neuronal personnalisé, il existe quelques limites à la compatibilité des modèles qui peuvent être composés ensemble.
L’opération Composition de modèle permet d’affecter un ID de modèle unique à 200 modèles maximum. Si le nombre de modèles que vous souhaitez composer dépasse la limite supérieure d’un modèle composé, vous pouvez utiliser l’une des alternatives suivantes :
Classifiez les documents avant d’appeler le modèle personnalisé. Vous pouvez utiliser le modèle de lecture et créer une classification basée sur le texte extrait des documents et certaines expressions à l’aide de code, d’expressions régulières ou d’une recherche.
Si vous souhaitez extraire les mêmes champs de différents documents structurés, semi-structurés et non structurés, envisagez d’utiliser le modèle neuronal personnalisé de Deep Learning. En savoir plus sur les différences entre le modèle personnalisé et le modèle neuronal personnalisé.
L’analyse d’un document à l’aide de modèles composés est identique à l’analyse d’un document à l’aide d’un modèle unique. Le résultat
Analyze Document
retourne une propriétédocType
qui indique les modèles de composants que vous avez sélectionnés pour l’analyse du document. Les tarifs ne changent pas pour l’analyse d’un document à l’aide d’un modèle personnalisé ou d’un modèle personnalisé composé.La composition de modèle n’est à l’heure actuelle disponible que pour les modèles personnalisés entraînés avec des étiquettes.
Compatibilité du modèle composé
Type de modèle personnalisé | Modèles formés avec la v2.1 et la v2.0 | Modèles de modèle personnalisé v3.0 | Modèles neuronaux personnalisés 3.0 | Modèles neuronaux personnalisés v3.1 |
---|---|---|---|---|
Modèles entraînés avec les versions 2.1 et 2.0 | Prise en charge | Prise en charge | Non pris en charge | Non pris en charge |
Modèles de modèle personnalisé v3.0 | Prise en charge | Prise en charge | Non pris en charge | Non pris en charge |
Modèles de modèle personnalisé v3.0 | Non pris en charge | Non pris en charge | Non pris en charge | Non pris en charge |
Modèles de modèle personnalisé v3.1 | Non pris en charge | Non pris en charge | Non pris en charge | Non pris en charge |
Modèles neuronaux personnalisés v3.0 | Non pris en charge | Non pris en charge | Prise en charge | Prise en charge |
Modèles neuronaux personnalisés v3.1 | Non pris en charge | Non pris en charge | Prise en charge | Prise en charge |
Pour composer un modèle entraîné avec une version antérieure de l'API (v2.1 ou antérieure), entraînez un modèle avec l’API v3.0 en utilisant le même jeu de données étiqueté. Cet ajout garantit que vous pouvez composer le modèle v2.1 avec d’autres modèles.
Avec les modèles composés, l’utilisation de la version 2.1 de l’API continue d’être prise en charge sans mise à jour nécessaire.
Pour les modèles personnalisés, le nombre maximal pouvant être composé est de 200.
Options de développement
Intelligence documentaire v4.0:2023-02-29-preview prend en charge les outils, applications et bibliothèques suivants :
Fonctionnalité | Ressources |
---|---|
Modèle personnalisé | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Modèle composé | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Document Intelligence v3.1 :2023-07-31 (GA) prend en charge les outils, applications et bibliothèques suivants :
Fonction | Ressources |
---|---|
Modèle personnalisé | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Modèle composé | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Document Intelligence v3.0 :31-08-2022 (GA) prend en charge les outils, applications et bibliothèques suivants :
Fonction | Ressources |
---|---|
Modèle personnalisé | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Modèle composé | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Intelligence documentaire v2.1 prend en charge les ressources suivantes :
Fonction | Ressources |
---|---|
Modèle personnalisé | ● Outil d’étiquetage Intelligence Documentaire • API REST • SDK Bibliothèque client • Intelligence Documentaire Conteneur Docker |
Modèle composé | • Outil d’étiquetage Document Intelligence • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Étapes suivantes
Apprenez à créer et à composer des modèles personnalisés :
Commentaires
https://aka.ms/ContentUserFeedback.
Bientôt disponible : Tout au long de 2024, nous allons supprimer progressivement GitHub Issues comme mécanisme de commentaires pour le contenu et le remplacer par un nouveau système de commentaires. Pour plus d’informations, consultezEnvoyer et afficher des commentaires pour