カスタム モデルを作成する

強調スタイル

このコンテンツの適用対象: v3.1 (GA) | 最新バージョン: v4.0 (プレビュー) | 以前のバージョン: v3.0 v2.1

重要

api-version=2024-07-31-preview 以降では、モデル作成の動作が変更されています。詳細については、構成済みカスタム モデルに関するページを参照してください。 次の動作は、v3.1 以前のバージョンにのみ適用されます

作成済みモデルは、カスタム モデルのコレクションを取得し、1 つのモデル ID に割り当てることで作成します。 200 個までのトレーニングされたカスタム モデルを 1 つの構成済みモデル ID に割り当てることができます。 作成済みモデルにドキュメントが送信されると、サービスによって分類ステップが実行され、分析のために提示されたフォームを正確に表すカスタム モデルが決定されます。 複数のモデルをトレーニングし、類似したフォームの種類を分析するためにそれらをグループ化する場合に構成済みモデルは役立ちます。 たとえば、作成済みモデルには、サプライ、備品、家具の発注書を分析するようにトレーニングされたカスタム モデルを含めることができます。 適切なモデルを手動で選択する代わりに、作成済みモデルを使用すれば、分析と抽出ごとに適切なカスタム モデルを決定できます。

詳細については、「構成済みカスタム モデル」を参照してください。

この記事では、構成済みカスタム モデルを作成して使用し、フォームとドキュメントを分析する方法について説明します。

前提条件

作業を開始するには、次のリソースが必要です。

• Azure サブスクリプション。 無料の Azure サブスクリプションを作成できます。

• Document Intelligence インスタンス。 Azure サブスクリプションを入手したら、Azure portal で Document Intelligence リソースを作成して、キーとエンドポイントを取得します。 既存の Document Intelligence リソースがある場合は、そのリソース ページに直接移動します。 Free 価格レベル (F0) を使用してサービスを試用し、後から運用環境用の有料レベルにアップグレードすることができます。

  1. リソースがデプロイされた後、[リソースに移動] を選択します。

  2. Azure portal からキーとエンドポイントの値をコピーし、Microsoft メモ帳などの便利な場所に貼り付けます。 アプリケーションを Document Intelligence API に接続するためのキーとエンドポイントの値が必要です。

ヒント

詳細については、「Document Intelligence リソースを作成する」を参照してください。

• Azure ストレージ アカウント。 Azure Storage アカウントを作成する方法がわからない場合は、Azure portal の Azure Storage に関するクイックスタートを参照してください。 Free 価格レベル (F0) を使用してサービスを試用し、後から運用環境用の有料レベルにアップグレードすることができます。

カスタム モデルを作成する

まず、構成するカスタム モデルのセットが必要です。 Document Intelligence Studio、REST API、またはクライアント ライブラリが使用できます。 手順は次のとおりです。

• トレーニング データセットを作成する
• トレーニング セットを Azure BLOB ストレージにアップロードする
• カスタム モデルをトレーニングする

トレーニング データセットを作成する

カスタム モデルの構築は、トレーニング データセットの確立から始まります。 サンプル データセットには、同じ種類の完成したフォームが少なくとも 5 つ必要です。 異なるファイルの種類 (jpg、png、pdf、tiff) にして、テキストと手書きの両方を含めることができます。 フォームは Document Intelligence の入力要件に従う必要があります。

ヒント

以下のヒントを使って、トレーニングのためにデータ セットをさらに最適化してください。

• 可能であれば、画像ベースのドキュメントではなく、テキストベースの PDF ドキュメントを使用します。 スキャンした PDF は画像として処理されます。
• 入力フォームの場合は、すべてのフィールドに入力されている例を使用します。
• 各フィールドに異なる値が含まれたフォームを使用します。
• フォームの画像の品質が低い場合は、より大きなデータ セット (たとえば 10 から 15 の画像) を使用します。

トレーニング ドキュメントを収集する方法のヒントについては、「トレーニング データ セットの作成」を参照してください。

トレーニング データセットをアップロードする

トレーニング ドキュメントのセットをまとめたら、Azure BLOB ストレージ コンテナーにトレーニング データをアップロードする必要があります。

手動でラベル付けされたデータを使用する場合は、トレーニング ドキュメントに対応する .labels.json ファイルと .ocr.json ファイルをアップロードする必要があります。

カスタム モデルをトレーニングする

ラベル付けされたデータによるモデルのトレーニングでは、ラベル付けされた指定のフォームを使用して、教師あり学習を使って、目的とする値が抽出されます。 ラベル付きデータにより、性能の高いモデルが得られ、複雑なフォームやキーのない値を含んだフォームでも機能するモデルを作成できます。

Document Intelligence では、prebuilt-layout モデル API を使用して、活字または手書きのテキストの要素について予想されるサイズや位置を学習し、テーブルを抽出します。 その後、ユーザーによって指定されたラベルを使用して、ドキュメントに含まれるキーと値の関係およびテーブルを学習します。 新しいモデルをトレーニングする際は、手動でラベル付けされた同じタイプ (同じ構造) のフォームを 5 つ使うことをお勧めします。 その後、必要に応じてラベル付きのデータを追加し、モデルの精度を向上させます。 Document Intelligence を使用すると、教師あり学習機能を使用してキーと値のペアおよびテーブルを抽出するようにモデルをトレーニングできます。

Document Intelligence Studio

カスタム モデルを作成するには、まずプロジェクトを構成することから始めます。

1. Studio ホームページで、[カスタム モデル] カードから [新規作成] を選択します。

2. [➕ プロジェクトの作成] コマンドを使用して、新しいプロジェクト構成ウィザードを開始します。

3. プロジェクトの詳細を入力し、Azure サブスクリプションとリソース、および自分のデータが含まれている Azure Blob Storage コンテナーを選択します。

4. 設定を確認し、送信して、プロジェクトを作成します。

カスタム モデルを作成しているときに、ドキュメントからデータ コレクションを抽出する必要がある場合があります。 コレクションは、2 つの形式のいずれかで表示されます。 ビジュアル パターンとしてテーブルを使用した場合、

• 特定のフィールド (列) セットに対する値 (行) の動的または可変の値の数

• 特定のフィールド (列や行) セットに対する特定の値のコレクション

Document Intelligence Studio のテーブルとしてのラベル付けに関するページを参照してください

REST API

ラベルを使用してトレーニングを行うと、一部のシナリオでパフォーマンスの向上につながります。 ラベルを使用してトレーニングするには、トレーニング ドキュメントと共に、BLOB ストレージ コンテナーに特別なラベル情報ファイル (<filename>.pdf.labels.json) を用意する必要があります。

ラベル ファイルは、ユーザーが手動で入力したキーと値の関連付けを含み、ラベル付けされたデータ トレーニングに必要です。 ただし、すべてのソース ファイルに、対応するラベル ファイルが存在する必要はありません。 ラベルのないソース ファイルは通常のトレーニング ドキュメントとして扱われます。 信頼できるトレーニングには、ラベル付けされたファイルを 5 つ以上お勧めします。 Document Intelligence Studio などの UI ツールを使用して、これらのファイルを生成できます。

ラベル ファイルには、ユーザーが手動で入力したキーと値の関連付けが含まれています。 これらのファイルは、ラベル付けされたデータのトレーニングに必要ですが、すべてのソース ファイルに、対応するラベル ファイルが存在する必要はありません。 ラベルのないソース ファイルは通常のトレーニング ドキュメントとして扱われます。 信頼できるトレーニングには、ラベル付けされたファイルを 5 つ以上お勧めします。 Document Intelligence Studio などの UI ツールを使用して、これらのファイルを生成できます。

ラベル ファイルを作成したら、useLabelFile パラメーターを true に設定してトレーニング メソッドを呼び出すことで、そのファイルを含めることができます。

クライアント ライブラリ

ラベルを使用してトレーニングを行うと、一部のシナリオでパフォーマンスの向上につながります。 ラベルを使用してトレーニングするには、トレーニング ドキュメントと共に、BLOB ストレージ コンテナーに特別なラベル情報ファイル (<filename>.pdf.labels.json) を用意する必要があります。 用意ができたら、useTrainingLabels パラメーターを true に設定してトレーニング メソッドを呼び出すことができます。

Language	方法
C#	StartBuildModel
Java	beginBuildModel
JavaScript	beginBuildModel
Python	begin_build_document_model

作成済みモデルを作成する

Note

create compose model 操作は、ラベルを "使用して" トレーニングされたカスタム モデルでのみ使用できます。 ラベルのないモデルを作成しようとすると、エラーが発生します。

create compose model 操作では、100 個までのトレーニング済みカスタム モデルを 1 つのモデル ID に割り当てることができます。 作成済みモデルを使用してドキュメントを分析する場合、Document Intelligence では、まず送信されたフォームを分類し、次に最も適合する割り当て済みモデルを選んで、そのモデルに対する結果を返します。 この操作は、受信フォームが複数のテンプレートのいずれかに属している場合に役立ちます。

Document Intelligence Studio

トレーニング プロセスが正常に完了したら、構成済みモデルの構築を開始できます。 構成済みモデルを作成して使用する手順を次に示します。

• カスタム モデル ID を収集する
• カスタム モデルを作成する
• ドキュメントを分析する
• 構成済みモデルを管理する

モデルの ID を収集する

Document Intelligence Studio を使用してモデルをトレーニングした場合、モデル ID はプロジェクトの [モデル] メニューの下に表示されます。

カスタム モデルを作成する

1. カスタム モデル プロジェクトを選択します。

2. プロジェクトで、メニュー項目から Models を選択します。

3. 表示されたモデルの一覧から、構成するモデルを選択します。

4. 左上隅にある [作成] ボタンを選択します。

5. ポップアップ ウィンドウで、新しく作成するモデルに名前を付け、 [作成] をクリックします。

6. 操作が完了すると、新しく作成されたモデルが一覧に表示されます。

7. モデルの準備ができたら、Test コマンドを使用してテスト ドキュメントでそのモデルを検証し、結果を確認します。

ドキュメントを分析する

カスタム モデルの Analyze 操作では、Document Intelligence への呼び出しで modelID を指定する必要があります。 構成済みモデル ID をアプリケーションの modelID パラメーターに指定する必要があります。

構成済みモデルを管理する

ライフサイクル全体を通して、次のようにカスタム モデルを管理できます。

• 新しいドキュメントをテストして検証します。
• アプリケーションで使用するモデルをダウンロードします。
• ライフサイクルが完了したら、モデルを削除します。

REST API

トレーニング プロセスが正常に完了したら、構成済みモデルの構築を開始できます。 構成済みモデルを作成して使用する手順を次に示します。

• カスタム モデルを作成する
• ドキュメントを分析する
• 構成済みモデルを管理する

カスタム モデルを作成する

composed models API には、構成するモデル ID のリストを指定できます。

ドキュメントを分析する

ドキュメント分析要求を行うため、要求パラメーターに一意のモデル名を使います。

構成済みモデルを管理する

モデルのコピー、一覧表示、削除など、開発ニーズに合わせてカスタム モデルを管理することができます。

クライアント ライブラリ

トレーニング プロセスが正常に完了したら、構成済みモデルの構築を開始できます。 構成済みモデルを作成して使用する手順を次に示します。

• 作成済みモデルを作成する
• ドキュメントを分析する
• 構成済みモデルを管理する

作成済みモデルを作成する

任意のプログラミング言語を使用して、構成済みモデルを作成できます。

プログラミング言語	コード サンプル
C#	モデルの構成
Java	モデルの構成
JavaScript	モデルを構成する
Python	構成済みモデルを作成する

ドキュメントを分析する

作成したモデルを構築したら、それを使ってフォームとドキュメントを分析できます。 構成済みの model ID を使い、提供されたドキュメントに従って、集計されたカスタム モデルのうちどれが最も適合するかをサービスに判断させます。

プログラミング言語	コード サンプル
C#	モデル ID を使用してカスタムまたは構成モデルでドキュメントを分析する
Java	モデル ID を使用してカスタムまたは構成モデルでドキュメントを分析する
JavaScript	モデル ID を使用してカスタムまたは構成モデルでドキュメントを分析する
Python	モデル ID を使用してカスタムまたは構成モデルでドキュメントを分析する

構成済みモデルを管理する

カスタム モデルは、ライフ サイクルの各段階で管理できます。 リソース間でのカスタム モデルのコピー、サブスクリプションに属するすべてのカスタム モデルの一覧表示、特定のカスタム モデルに関する情報の取得、アカウントからのカスタム モデルの削除ができます。

プログラミング言語	コード サンプル
C#	Document Intelligence リソース間でカスタム モデルをコピーする
Java	Document Intelligence リソース間でカスタム モデルをコピーする
JavaScript	Document Intelligence リソース間でカスタム モデルをコピーする
Python	Document Intelligence リソース間でカスタム モデルをコピーする

完了。 カスタム モデルと作成済みモデルを作成し、それらを Document Intelligence プロジェクトとアプリケーションで使用する手順について学習しました。

次のステップ

Document Intelligence クイックスタートのいずれかをお試しください。

Document Intelligence Studio

REST API

C#

Java

JavaScript

Python