Nota
O acceso a esta páxina require autorización. Pode tentar iniciar sesión ou modificar os directorios.
O acceso a esta páxina require autorización. Pode tentar modificar os directorios.
Se o rendemento do teu modelo non é o que queres, por exemplo, se obtés malos resultados ou puntuacións de confianza baixas, hai algunhas cousas que podes probar.
Interpreta a puntuación de precisión do teu modelo
Interpreta a túa puntuación de precisión para identificar o que o teu modelo ten dificultades para extraer. As avaliacións do modelo inclúen recomendacións para aumentar a puntuación.
Iniciar sesión en Power Apps ou Power Automate.
No panel esquerdo, selecciona ... Máis>Centro de IA.
En Descubrir unha capacidade de IA, selecciona Modelos de IA.
(Opcional) Para manter os modelos de IA permanentemente no menú para acceder a eles facilmente, selecciona a icona do alfinete.
Abra o modelo de procesamento de documentos que quere investigar. A puntuación de precisión debe aparecer.
Nota
Nos seguintes casos, non obterás puntuacións de precisión para os modelos de procesamento de documentos:
- Se o modelo foi adestrado seleccionando "Documentos xerais" como tipo de documento. Actualmente, as puntuacións de precisión só se devólven para modelos de tipo 'Documentos de modelo fixo'.
- O modelo foi importado doutro ambiente.
- Se o teu modelo foi adestrado antes do 1 de xaneiro de 2022. Neste caso, podes adestralo de novo.
Na páxina de detalles do modelo, debería obter a puntuación xeral de precisión.
Para obter detalles, selecciona revisar a avaliación completa.
Neste panel, podes navegar entre as diferentes lapelas para identificar o que o teu modelo ten dificultades para extraer. Podes navegar polas lapelas Colección, Campo, Táboa e Caixa de verificación para atopar o que non se procesou correctamente.
Aquí tes un exemplo da información na lapela Campo .
Neste exemplo, queres mellorar a precisión da información do provedor.
Suxerencias sobre o que podes facer para mellorar a visualización do teu modelo pasando o rato sobre os elementos cunha puntuación de precisión pobre. Por exemplo, pode aparecer unha recomendación para proporcionar máis documentos de mostra para o adestramento.
Preguntas frecuentes
Que podo facer se teño unha puntuación de precisión baixa para un campo, táboa ou caixa de verificación?
- Comprobe que o campo, a táboa ou a caixa de verificación estean etiquetados correctamente en todos os documentos.
- Proporcione máis documentos de exemplo para a formación onde estea presente o campo, a táboa ou a caixa de verificación.
- Revisar as mellores prácticas.
Que podo facer se teño unha puntuación de precisión baixa para unha colección?
Comprobe que todos os documentos da colección teñan o mesmo deseño. Para obter máis información sobre as coleccións, vaia a Agrupar documentos por coleccións.
Engadir máis documentos aos datos de adestramento
Cantos máis documentos etiquetes, mellor aprenderá a recoñecer os campos. AI Builder Para engadir máis documentos, edite o modelo de procesamento de documentos e cárgueos. Atoparás a opción de editar o modelo na páxina de detalles do modelo.
Máis consellos
- Para formularios completados, use exemplos que teñan todos os seus campos completados.
- Usa formularios con valores diferentes en cada campo.
- Se as imaxes do formulario son de menor calidade, usa un conxunto de datos máis grande (de 10 a 15 imaxes, por exemplo).
- Se é posible, use documentos PDF baseados en texto en lugar de documentos baseados en imaxes. Os PDF dixitalizados trátanse como imaxes.
- Ao crear un modelo de procesamento de documentos, cargue documentos co mesmo deseño onde cada documento sexa unha instancia independente. Por exemplo, as facturas de diferentes meses deben estar en documentos separados e non todas no mesmo.
- Os documentos con deseños diferentes deberían ir en coleccións diferentes cando cargues exemplos para o adestramento. ...
- Se o modelo de procesamento de documentos extrae valores de campos veciños do que queres que o modelo extraia, edita o modelo e etiqueta os valores adxacentes que se recollen incorrectamente como campos diferentes. Deste xeito, o modelo aprende mellor os límites de cada campo.