Modelli personalizzati composti di Document Intelligence
Importante
- Le versioni di anteprima pubblica di Informazioni sui documenti consentono l'accesso anticipato alle funzionalità in fase di sviluppo attivo.
- Le funzionalità, gli approcci e i processi possono cambiare prima della disponibilità generale, a seconda del feedback degli utenti.
- Per impostazione predefinita, la versione di anteprima pubblica delle librerie client di Informazioni sui documenti è la versione dell'API REST 29-02-2024-anteprima.
- La versione di anteprima pubblica 29-02-2024-anteprima è al momento disponibile solo nelle aree di Azure seguenti:
- Stati Uniti orientali
- Stati Uniti occidentali 2
- Europa occidentale
Questo contenuto si applica a: v4.0 (anteprima) | Versioni precedenti:
v3.1 (disponibilità generale)
v3.0 (disponibilità generale)
v2.1 (disponibilità generale)
Questo contenuto si applica a: v3.1 (disponibilità generale) | Versione più recente:
v4.0 (anteprima) | Versioni precedenti:
v3.0
v2.1
Questo contenuto si applica a: v3.0 (disponibilità generale) | Versioni più recenti:
v4.0 (anteprima)
v3.1 | Versione precedente:
v2.1
Questo contenuto si applica a: v2.1 | Versione più recente:
v4.0 (anteprima)
Modelli composti. Un modello composto è costituito da una raccolta di modelli personalizzati assegnati a un singolo modello creato dai tipi di modulo. Quando un documento viene inviato per l'analisi usando un modello composto, il servizio esegue una classificazione per decidere quale modello personalizzato rappresenta meglio il documento inviato.
È possibile assegnare più modelli personalizzati a un modello composto denominato con un singolo ID modello. Ciò è utile per raggruppare vari modelli sottoposti a training per analizzare tipi di modulo simili. Ad esempio, il modello composto può includere modelli personalizzati sottoposti a training per analizzare gli ordini di acquisto per forniture, attrezzature e mobili. Anziché tentare manualmente di selezionare il modello appropriato, è possibile usare un modello composto per determinare il modello personalizzato appropriato per ogni operazione di analisi ed estrazione.
I modelli
Custom form
eCustom template
possono essere uniti in un singolo modello composto.Con l'operazione di composizione di modelli, è possibile assegnare fino a 200 modelli personalizzati sottoposti a training a un singolo modello composto. Per analizzare un documento con un modello composto, Document Intelligence classifica innanzitutto il modulo inviato, quindi sceglie il modello assegnato più adatto e restituisce i risultati corrispondenti.
Per i modelli personalizzati, il modello composto può essere creato usando varianti di un modello personalizzato o tipi di modulo diversi. Questa operazione è utile nel caso in cui i moduli in ingresso appartengano a uno dei diversi modelli.
La risposta include una proprietà
docType
per indicare quale dei modelli composti è stato usato per analizzare il documento.Per i modelli
Custom neural
, la procedura consigliata consiste nell'aggiungere tutte le varianti diverse di un singolo tipo di documento in un singolo set di dati di training ed eseguire il training sul modello neurale personalizzato. La composizione di modelli è più indicata per gli scenari in cui vengono inviati documenti di tipi diversi per l'analisi.
Con l'introduzione di modelli di classificazione personalizzati, è possibile scegliere di usare un modello composto o un modello di classificazione come passaggio esplicito prima dell'analisi. Per informazioni più dettagliate in merito a quando usare un modello di classificazione o composto, vedere Modelli di classificazione personalizzati.
Limiti della composizione di modelli
Nota
Con l'aggiunta di un modello neurale personalizzato, esistono alcuni limiti per la compatibilità dei modelli che possono essere composti insieme.
Con l'operazione Model Compose è possibile assegnare fino a 200 modelli a un singolo ID modello. Se il numero di modelli da comporre è maggiore del limite superiore di un modello composto, è possibile utilizzare una delle seguenti alternative:
Classificare i documenti prima di chiamare il modello personalizzato. È possibile usare il Modello Lettura e creare una classificazione basata sul testo estratto dai documenti e alcune frasi usando codice, espressioni regolari, ricerca e così via.
Se si vogliono estrarre gli stessi campi da vari documenti strutturati, semistrutturati e non strutturati, è consigliabile usare il modello neurale personalizzato di Deep Learning. Altre informazioni sulle differenze tra il modello personalizzato e il modello neurale personalizzato.
L'analisi di un documento tramite modelli composti è identica all'analisi di un documento tramite un singolo modello. Il risultato
Analyze Document
restituisce una proprietàdocType
che indica quale dei modelli di componenti selezionati per l'analisi del documento. Il prezzo rimane invariato per l'analisi di un documento con un singolo modello personalizzato o un modello personalizzato composto.L'operazione Model Compose è attualmente disponibile solo per i modelli personalizzati sottoposti a training con etichette.
Compatibilità dei modelli composti
Tipo di modello personalizzato | Modelli sottoposti a training con v2.1 e v2.0 | Modelli personalizzati v3.0 | Modelli neurali personalizzati 3.0 | Modelli neurali personalizzati v3.1 |
---|---|---|---|---|
Modelli sottoposti a training con le versioni 2.1 e 2.0 | Supportata | Supportato | Non supportato | Non supportato |
Modelli personalizzati v3.0 | Supportata | Supportato | Non supportato | Non supportato |
Modelli personalizzati v3.0 | Non supportato | Non supportato | Non supportato | Non supportato |
Modelli personalizzati v3.1 | Non supportato | Non supportato | Non supportato | Non supportato |
Modelli neurali personalizzati v3.0 | Non supportato | Non supportato | Supportata | Supportata |
Modelli neurali personalizzati v3.1 | Non supportato | Non supportato | Supportata | Supportata |
Per comporre un modello sottoposto a training con una versione precedente dell'API (v2.1 o precedente), eseguire il training di un modello con l'API v3.0 usando lo stesso set di dati etichettato. Tale aggiunta garantisce che il modello v2.1 possa essere composto con altri modelli.
I modelli composti con la versione 2.1 dell'API continuano a essere supportati e non richiedono aggiornamenti.
Per i modelli personalizzati, il numero massimo di modelli che è possibile comporre è 200.
Opzioni di sviluppo
Document Intelligence v4.0:2023-02-29-anteprima supporta gli strumenti, le applicazioni e le librerie seguenti:
Funzionalità | Risorse |
---|---|
Modello personalizzato | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Modello composto | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Document Intelligence v3.1:2023-07-31 (disponibilità generale) supporta gli strumenti, le applicazioni e le librerie seguenti:
Funzionalità | Risorse |
---|---|
Modello personalizzato | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Modello composto | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Document Intelligence v3.0:2022-08-31 (disponibilità generale) supporta gli strumenti, le applicazioni e le librerie seguenti:
Funzionalità | Risorse |
---|---|
Modello personalizzato | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Modello composto | • Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Document Intelligence v2.1 supporta le risorse seguenti:
Funzionalità | Risorse |
---|---|
Modello personalizzato | • Strumento etichettatura Document Intelligence • REST API • Libreria client SDK • Contenitore Docker Document Intelligence |
Modello composto | • Strumento di etichettatura Document Intelligence • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK |
Passaggi successivi
Informazioni su come creare e comporre modelli personalizzati:
Commenti e suggerimenti
https://aka.ms/ContentUserFeedback.
Presto disponibile: Nel corso del 2024 verranno gradualmente disattivati i problemi di GitHub come meccanismo di feedback per il contenuto e ciò verrà sostituito con un nuovo sistema di feedback. Per altre informazioni, vedereInvia e visualizza il feedback per