Kecerdasan Dokumen menyusun model kustom

Konten ini berlaku untuk:🟩v4.0 (GA) | Versi sebelumnya:🟦v3.1 (GA)🟥v3.0 (pensiun)🟥v2.1 (pensiun)

Konten ini berlaku untuk:🟩v3.1 (GA) | Versi terbaru:🟪v4.0 (GA) | Versi sebelumnya:🟦v3.0🟦v2.1

Konten ini berlaku untuk:🟥v3.0 (pensiun) | Versi terbaru:🟪v4.0 (GA)🟪v3.1 (GA) | Versi sebelumnya:🟥v2.1 (pensiun)

Konten ini berlaku untuk:🟥v2.1 | Versi terbaru:🟪v4.0 (GA)

Penting

Operasi v4.0 2024-11-30 (GA) model compose menambahkan pengklasifikasi terlatih secara eksplisit alih-alih pengklasifikasi implisit untuk analisis. Untuk versi model tersusun sebelumnya, lihat Model kustom tersusun v3.1. Jika saat ini Anda menggunakan model terkomposisi, pertimbangkan untuk beralih ke implementasi terbaru.

Apa itu model komponensial?

Dengan model gabungan, Anda dapat mengelompokkan beberapa model kustom ke dalam satu model gabungan yang dipanggil dengan satu ID model. Misalnya, model yang Anda buat mungkin menyertakan model kustom yang dilatih untuk menganalisis pesanan pembelian pasokan, peralatan, dan furnitur Anda. Alih-alih mencoba memilih model yang sesuai secara manual, Anda dapat menggunakan model yang disusun untuk menentukan model kustom yang sesuai untuk setiap analisis dan ekstraksi.

Beberapa skenario mengharuskan mengklasifikasikan dokumen terlebih dahulu lalu menganalisis dokumen dengan model yang paling cocok untuk mengekstrak bidang dari model. Skenario tersebut dapat mencakup skenario di mana pengguna mengunggah dokumen tetapi jenis dokumen tidak diketahui secara eksplisit. Skenario lain bisa ketika beberapa dokumen dipindai bersama-sama ke dalam satu file dan file dikirim untuk diproses. Aplikasi Anda kemudian perlu mengidentifikasi dokumen komponen dan memilih model terbaik untuk setiap dokumen.

Dalam versi sebelumnya, model compose operasi melakukan klasifikasi implisit untuk memutuskan model kustom mana yang paling mewakili dokumen yang dikirimkan. Implementasi operasi 2024-11-30 (GA) menggantikan klasifikasi implisit dari versi sebelumnya dengan langkah klasifikasi eksplisit dan menambahkan langkah perutean kondisional.

Manfaat operasi komposisi model baru

Operasi baru model compose mengharuskan Anda untuk melatih pengklasifikasi eksplisit dan memberikan beberapa manfaat.

  • Peningkatan inkremental berkelanjutan. Anda dapat secara konsisten meningkatkan kualitas pengklasifikasi dengan menambahkan lebih banyak sampel dan meningkatkan klasifikasi secara bertahap. Penyetelan halus ini memastikan dokumen Anda selalu dirutekan ke model yang tepat untuk ekstraksi.

  • Kontrol penuh atas perutean. Dengan menambahkan routing berbasis kepercayaan, Anda menetapkan batas kepercayaan untuk jenis dokumen dan respons klasifikasi.

  • Abaikan jenis dokumen tertentu selama operasi. Implementasi operasi sebelumnya model compose memilih model analisis terbaik untuk ekstraksi berdasarkan skor keyakinan bahkan jika skor keyakinan tertinggi relatif rendah. Dengan memberikan ambang keyakinan atau secara eksplisit tidak memetakan jenis dokumen yang diketahui dari klasifikasi ke model ekstraksi, Anda dapat mengabaikan jenis dokumen tertentu.

  • Menganalisis beberapa instance dari jenis dokumen yang sama Saat dipasangkan dengan splitMode opsi pengklasifikasi, model compose operasi dapat mendeteksi beberapa instans dokumen yang sama dalam file dan membagi file untuk memproses setiap dokumen secara independen. Menggunakan splitMode memungkinkan pemrosesan beberapa instans dokumen dalam satu permintaan.

  • Dukungan untuk fitur add-on. Menambahkan fitur seperti bidang kueri atau kode batang juga dapat ditentukan sebagai bagian dari parameter model analisis.

  • Model kustom yang ditetapkan maksimum diperluas menjadi 500. Implementasi baru model compose operasi memungkinkan Anda menetapkan hingga 500 model kustom terlatih ke satu model yang terkomposisi.

Cara menggunakan penyusunan model

  • Mulailah dengan mengumpulkan sampel semua dokumen yang Anda butuhkan termasuk sampel dengan informasi yang harus diekstraksi atau diabaikan.

  • Latih pengklasifikasi dengan mengatur dokumen dalam folder di mana nama folder adalah jenis dokumen yang ingin Anda gunakan dalam definisi model yang anda buat.

  • Terakhir, latih model ekstraksi untuk setiap jenis dokumen yang ingin Anda gunakan.

  • Setelah model klasifikasi dan ekstraksi Anda dilatih, gunakan Document Intelligence Studio, pustaka klien, atau REST API untuk menyusun model klasifikasi dan ekstraksi ke dalam model yang disusun.

splitMode Gunakan parameter untuk mengontrol perilaku pemisahan file:

  • Tidak ada. Seluruh file diperlakukan sebagai satu dokumen.
  • perPage. Setiap halaman dalam file diperlakukan sebagai dokumen terpisah.
  • otomatis. File secara otomatis dibagi menjadi dokumen.

Penagihan dan harga

Model gabungan dikenakan biaya yang sama dengan model kustom individual. Harga didasarkan pada jumlah halaman yang dianalisis oleh model analisis hilir. Penagihan didasarkan pada harga ekstraksi untuk halaman yang dialihkan ke model ekstraksi. Dengan penambahan sistem klasifikasi eksplisit, biaya dikeluarkan untuk mengklasifikasikan seluruh halaman dalam berkas masukan. Untuk informasi selengkapnya, lihat halaman harga Kecerdasan Dokumen.

Menggunakan operasi pembuatan model

  • Mulailah dengan membuat daftar semua ID model yang ingin Anda buat ke dalam satu model.

  • Buat model ke dalam SATU ID model menggunakan Studio, REST API, atau pustaka klien.

  • Gunakan ID model yang dibentuk untuk menganalisis dokumen.

Penagihan

Model gabungan dikenakan biaya yang sama dengan model kustom individual. Harga didasarkan pada jumlah halaman yang dianalisis. Penagihan didasarkan pada harga ekstraksi untuk halaman yang dialihkan ke model ekstraksi. Untuk informasi selengkapnya, lihat halaman harga Kecerdasan Dokumen.

  • Tidak ada perubahan harga untuk menganalisis dokumen dengan menggunakan model kustom individual atau model kustom yang disusun.

Fitur-fitur model yang digabungkan

  • Custom template dan custom neural dapat dikombinasikan bersama ke dalam satu model gabungan di beberapa versi API.

  • Respons mencakup atribut docType untuk menunjukkan model mana yang terkomposisi dipakai dalam menganalisis dokumen.

  • Untuk custom template model, model yang dibuat dapat dibuat menggunakan variasi templat kustom atau jenis formulir yang berbeda. Operasi ini berguna saat formulir masuk milik salah satu dari beberapa templat.

  • Untuk custom neural model, praktik terbaiknya adalah menambahkan semua variasi yang berbeda dari satu jenis dokumen ke dalam satu himpunan data pelatihan dan melatih model neural kustom. Operasi model compose ini paling cocok untuk skenario ketika Anda memiliki dokumen dari berbagai jenis yang dikirimkan untuk analisis.

Menyusun batasan model

  • Dengan operasi ini model compose , Anda dapat menetapkan hingga 500 model ke satu ID model. Jika jumlah model yang ingin saya/Anda susun melebihi batas atas model yang disusun, Anda dapat menggunakan salah satu alternatif berikut:

    • Klasifikasikan dokumen sebelum memanggil model kustom. Anda dapat menggunakan model Baca dan membuat klasifikasi berdasarkan teks yang diekstrak dari dokumen dan frasa tertentu dengan menggunakan sumber seperti kode, ekspresi reguler, atau pencarian.

    • Jika Anda ingin mengekstrak bidang yang sama dari berbagai dokumen terstruktur, semi terstruktur, dan tidak terstruktur, pertimbangkan untuk menggunakan model neural kustom pembelajaran mendalam. Pelajari selengkapnya tentang perbedaan antara model templat kustom dan model neural kustom.

  • Menganalisis dokumen dengan menggunakan model yang terdiri identik dengan menganalisis dokumen dengan menggunakan satu model. Hasil Analyze Document menampilkan docType properti yang menunjukkan model komponen mana yang Anda pilih untuk menganalisis dokumen.

  • Operasi model compose saat ini hanya tersedia untuk model kustom yang dilatih dengan label.

Kompatibilitas model yang disusun

Jenis model kustom Model-model yang dilatih dengan v2.1 dan v2.0 Templat kustom dan model neural v3.1 dan v3.0 Templat kustom dan model neural v4.0 2024-11-30 (GA)
Model-model yang dilatih dengan versi 2.1 dan versi 2.0 Tidak Didukung Tidak Didukung Tidak Didukung
Templat kustom dan model neural v3.0 dan v3.1 Tidak Didukung Didukung Didukung
Templat kustom dan model neural v4.0 Tidak Didukung Didukung Didukung

  • Untuk menyusun model yang dilatih dengan versi API sebelumnya (v2.1 atau yang lebih lama), latih model dengan API v3.0 menggunakan himpunan data berlabel yang sama. Penambahan itu memastikan bahwa model v2.1 dapat dikomposisikan dengan model lain.

  • Dengan model yang tersusun menggunakan API v2.1 tetap didukung, tidak memerlukan pembaruan.

Opsi pengembangan

Kecerdasan Dokumen v4.0:2024-11-30 (GA) mendukung alat, aplikasi, dan pustaka berikut:

Fitur Sumber daya
Model khusus • Document Intelligence Studio
• REST API
• C# SDK
• Java SDK
• JavaScript SDK
• Python SDK
Model Tergabung • Document Intelligence Studio
• REST API
• C# SDK
• Java SDK
• JavaScript SDK
• Python SDK

Kecerdasan Dokumen v3.1:2023-07-31 (GA) mendukung alat, aplikasi, dan pustaka berikut:

Fitur Sumber daya
Model khusus • Document Intelligence Studio
• REST API
• C# SDK
• Java SDK
• JavaScript SDK
• Python SDK
Model Tergabung • Document Intelligence Studio
• REST API
• C# SDK
• Java SDK
• JavaScript SDK
• Python SDK

Kecerdasan Dokumen v3.0:2022-08-31 (GA) mendukung alat, aplikasi, dan pustaka berikut:

Fitur Sumber daya
Model khusus • Document Intelligence Studio
• REST API
• C# SDK
• Java SDK
• JavaScript SDK
• Python SDK
Model Tergabung • Document Intelligence Studio
• REST API
• C# SDK
• Java SDK
• JavaScript SDK
• Python SDK

Kecerdasan Dokumen v2.1 mendukung sumber daya berikut:

Fitur Sumber daya
Model khusus • Alat
• REST API
• Pustaka klien SDK
• Kontainer Docker Kecerdasan Dokumen
Model Tergabung • alat pelabelan Document Intelligence
• REST API
• C# SDK
• Java SDK
• JavaScript SDK
• Python SDK

Langkah berikutnya

Pelajari cara membuat dan menyusun model kustom:

Membuat model kustomBuat model kustom

  • Terakhir diperbarui pada