Aangepaste modellen opstellen

nadrukstijl

Deze inhoud is van toepassing op: v4.0 (preview) | Vorige versies: v3.1 (GA) v3.0 (GA) v2.1 (GA)

Belangrijk

Het gedrag voor het opstellen van modellen verandert voor api-version=2024-07-31-preview en hoger, voor meer informatie raadpleegt u samengestelde aangepaste modellen. Het volgende gedrag is alleen van toepassing op v3.1 en eerdere versies

Er wordt een samengesteld model gemaakt door een verzameling aangepaste modellen te maken en deze toe te wijzen aan één model-id. U kunt maximaal 200 getrainde aangepaste modellen toewijzen aan één samengestelde model-id. Wanneer een document wordt verzonden naar een samengesteld model, voert de service een classificatiestap uit om te bepalen welk aangepast model het formulier nauwkeurig vertegenwoordigt dat voor analyse wordt weergegeven. Samengestelde modellen zijn handig wanneer u verschillende modellen traint en ze wilt groeperen om vergelijkbare formuliertypen te analyseren. Uw samengestelde model kan bijvoorbeeld aangepaste modellen bevatten die zijn getraind om uw leverings-, apparatuur- en meubelaankooporders te analyseren. In plaats van handmatig het juiste model te selecteren, kunt u een samengesteld model gebruiken om het juiste aangepaste model te bepalen voor elke analyse en extractie.

Zie Samengestelde aangepaste modellen voor meer informatie.

In dit artikel leert u hoe u samengestelde aangepaste modellen maakt en gebruikt om uw formulieren en documenten te analyseren.

Vereisten

U hebt de volgende resources nodig om aan de slag te gaan:

• Een Azure-abonnement. U kunt een gratis Azure-abonnement maken.

• Een Document Intelligence-exemplaar. Zodra u uw Azure-abonnement hebt, maakt u een Document Intelligence-resource in Azure Portal om uw sleutel en eindpunt op te halen. Als u een bestaande Document Intelligence-resource hebt, gaat u rechtstreeks naar de resourcepagina. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen en later upgraden naar een betaalde laag voor productie.

  1. Nadat de resource is geïmplementeerd, selecteert u Ga naar resource.

  2. Kopieer de waarden voor sleutels en eindpunten uit Azure Portal en plak deze op een handige locatie, zoals Microsoft Kladblok. U hebt de sleutel- en eindpuntwaarden nodig om uw toepassing te verbinden met de Document Intelligence-API.

Tip

Zie Een Document Intelligence-resource maken voor meer informatie.

• Een opslagaccount van Azure. Als u niet weet hoe u een Azure-opslagaccount maakt, volgt u de quickstart voor Azure Storage voor Azure Portal. U kunt de gratis prijscategorie (F0) gebruiken om de service uit te proberen en later upgraden naar een betaalde laag voor productie.

Uw aangepaste modellen maken

Eerst hebt u een set aangepaste modellen nodig om op te stellen. U kunt de Document Intelligence Studio-, REST API- of clientbibliotheken gebruiken. De stappen zijn als volgt:

• Uw trainingsgegevensset samenstellen
• Uw trainingsset uploaden naar Azure Blob Storage
• Uw aangepaste modellen trainen

Uw trainingsgegevensset samenstellen

Het bouwen van een aangepast model begint met het maken van uw trainingsgegevensset. U hebt minimaal vijf ingevulde formulieren van hetzelfde type nodig voor uw voorbeeldgegevensset. Ze kunnen van verschillende bestandstypen (jpg, png, pdf, tiff) zijn en zowel tekst als handschrift bevatten. Uw formulieren moeten voldoen aan de invoervereisten voor Document Intelligence.

Tip

Volg deze tips om uw gegevensset te optimaliseren voor training:

• Gebruik indien mogelijk PDF-documenten op basis van tekst in plaats van op afbeeldingen gebaseerde documenten. Gescande PDF-bestanden worden verwerkt als afbeeldingen.
• Gebruik voor ingevulde formulieren voorbeelden waarbij alle velden zijn ingevuld.
• Gebruik in formulieren met in elk veld verschillende waarden.
• Als uw formulierafbeeldingen van lagere kwaliteit zijn, gebruikt u een grotere gegevensset (bijvoorbeeld 10-15 afbeeldingen).

Zie Een set trainingsgegevens bouwen voor tips over het verzamelen van uw trainingsdocumenten.

Uw trainingsgegevensset uploaden

Zodra u een set trainingsdocumenten hebt verzameld, moet u uw trainingsgegevens uploaden naar een Azure Blob Storage-container.

Als u handmatig gelabelde gegevens wilt gebruiken, moet u de .labels.json en .ocr.json bestanden uploaden die overeenkomen met uw trainingsdocumenten.

Uw aangepaste model trainen

Wanneer u uw model traint met gelabelde gegevens, gebruikt het model leren onder supervisie om interessante waarden te extraheren met behulp van de gelabelde formulieren die u opgeeft. Gelabelde gegevens leveren betere prestaties op en kunnen modellen produceren die werken met complexe formulieren of formulieren die waarden zonder sleutels bevatten.

Document Intelligence maakt gebruik van de vooraf gedefinieerde model-API voor meer informatie over de verwachte grootten en posities van lettertypen en handgeschreven tekstelementen en het extraheren van tabellen. Vervolgens worden door de gebruiker opgegeven labels gebruikt om de sleutel-/waardekoppelingen en tabellen in de documenten te leren. U wordt aangeraden vijf handmatig gelabelde formulieren van hetzelfde type (dezelfde structuur) te gebruiken om aan de slag te gaan met het trainen van een nieuw model. Voeg vervolgens zo nodig meer gelabelde gegevens toe om de nauwkeurigheid van het model te verbeteren. Met Document Intelligence kunt u een model trainen om sleutel-waardeparen en tabellen te extraheren met behulp van leermogelijkheden onder supervisie.

Document Intelligence Studio

Als u aangepaste modellen wilt maken, begint u met het configureren van uw project:

1. Selecteer op de startpagina van Studio de optie Nieuwe maken op de kaart Aangepast model.

2. Gebruik de ➕ opdracht Een project maken om de wizard nieuwe projectconfiguratie te starten.

3. Voer projectgegevens in, selecteer het Azure-abonnement en de resource en de Azure Blob Storage-container die uw gegevens bevat.

4. Controleer, verzend uw instellingen en maak het project.

Tijdens het maken van uw aangepaste modellen moet u mogelijk gegevensverzamelingen uit uw documenten extraheren. De verzamelingen kunnen een van de twee indelingen bevatten. Tabellen gebruiken als het visuele patroon:

• Dynamisch of variabel aantal waarden (rijen) voor een bepaalde set velden (kolommen)

• Specifieke verzameling waarden voor een bepaalde set velden (kolommen en/of rijen)

Zie Document Intelligence Studio: labelen als tabellen

REST API

Training met labels leidt in sommige scenario's tot betere prestaties. Als u wilt trainen met labels, moet u speciale labelinformatiebestanden (<bestandsnaam>.pdf.labels.json) in uw blobopslagcontainer naast de trainingsdocumenten hebben.

Labelbestanden bevatten sleutel-waardekoppelingen die een gebruiker handmatig invoert en die nodig zijn voor het trainen van gelabelde gegevens. Niet elk bronbestand moet echter een bijbehorend labelbestand hebben. Bronbestanden zonder labels worden behandeld als gewone trainingsdocumenten. Voor een betrouwbare training adviseren we het gebruik van vijf of meer gelabelde bestanden. U kunt een UI-hulpprogramma zoals Document Intelligence Studio gebruiken om deze bestanden te genereren.

Labelbestanden bevatten sleutel-waardekoppelingen die een gebruiker handmatig heeft ingevoerd. De bestanden zijn nodig voor het trainen van gelabelde gegevens, maar niet elk bronbestand moet een bijbehorend labelbestand hebben. Bronbestanden zonder labels worden behandeld als gewone trainingsdocumenten. Voor een betrouwbare training adviseren we het gebruik van vijf of meer gelabelde bestanden. U kunt een UI-hulpprogramma zoals Document Intelligence Studio gebruiken om deze bestanden te genereren.

Zodra u uw labelbestanden hebt, kunt u ze opnemen door de trainingsmethode aan te roepen met de parameter useLabelFile ingesteld op true.

Clientbibliotheken

Training met labels leidt in sommige scenario's tot betere prestaties. Als u wilt trainen met labels, moet u speciale labelinformatiebestanden (<bestandsnaam>.pdf.labels.json) in uw blobopslagcontainer naast de trainingsdocumenten hebben. Zodra u deze hebt, kunt u de trainingsmethode aanroepen met de parameter useTrainingLabels ingesteld op true.

Taal	Wijze
C#	StartBuildModel
Java	beginBuildModel
JavaScript	beginBuildModel
Python	begin_build_document_model

Een samengesteld model maken

Notitie

de create compose model bewerking is alleen beschikbaar voor aangepaste modellen die zijn getraind met labels. Als u niet-gelabelde modellen probeert op te stellen, wordt er een fout gegenereerd.

Met de bewerking opstellenmodel maken kunt u maximaal 100 getrainde aangepaste modellen toewijzen aan één model-id. Wanneer u documenten analyseert met een samengesteld model, classificeert Document Intelligence eerst het formulier dat u hebt verzonden, kiest u vervolgens het best overeenkomende toegewezen model en retourneert u resultaten voor dat model. Deze bewerking is handig wanneer binnenkomende formulieren tot een van de verschillende sjablonen kunnen behoren.

Document Intelligence Studio

Zodra het trainingsproces is voltooid, kunt u beginnen met het bouwen van uw samengestelde model. Hier volgen de stappen voor het maken en gebruiken van samengestelde modellen:

• Uw aangepaste model-id's verzamelen
• Uw aangepaste modellen opstellen
• Documenten analyseren
• Uw samengestelde modellen beheren

Uw model-id's verzamelen

Wanneer u modellen traint met behulp van Document Intelligence Studio, bevindt de model-id zich in het modelmenu onder een project:

Uw aangepaste modellen opstellen

1. Selecteer een aangepast modelproject.

2. Selecteer in het project het Models menu-item.

3. Selecteer in de resulterende lijst met modellen de modellen die u wilt opstellen.

4. Kies de knop Opstellen in de linkerbovenhoek.

5. Geef in het pop-upvenster uw zojuist samengestelde model een naam en selecteer Opstellen.

6. Wanneer de bewerking is voltooid, wordt het zojuist samengestelde model weergegeven in de lijst.

7. Zodra het model klaar is, gebruikt u de opdracht Testen om het te valideren met uw testdocumenten en bekijkt u de resultaten.

Documenten analyseren

Voor de bewerking Analyseren van aangepast model moet u de modelID aanroep naar Document Intelligence opgeven. Geef de samengestelde model-id op voor de modelID parameter in uw toepassingen.

Uw samengestelde modellen beheren

U kunt uw aangepaste modellen gedurende de levenscyclus beheren:

• Nieuwe documenten testen en valideren.
• Download uw model voor gebruik in uw toepassingen.
• Verwijder uw model wanneer de levenscyclus is voltooid.

REST API

Zodra het trainingsproces is voltooid, kunt u beginnen met het bouwen van uw samengestelde model. Hier volgen de stappen voor het maken en gebruiken van samengestelde modellen:

• Uw aangepaste modellen opstellen
• Documenten analyseren
• Uw samengestelde modellen beheren

Uw aangepaste modellen opstellen

De API voor samengestelde modellen accepteert een lijst met model-id's die moeten worden samengesteld.

Documenten analyseren

Gebruik een unieke modelnaam in de aanvraagparameters om een documentaanvraag analyseren te maken.

Uw samengestelde modellen beheren

U kunt aangepaste modellen beheren in uw ontwikkelingsbehoeften, waaronder het kopiëren, vermelden en verwijderen van uw modellen.

Clientbibliotheken

Zodra het trainingsproces is voltooid, kunt u beginnen met het bouwen van uw samengestelde model. Hier volgen de stappen voor het maken en gebruiken van samengestelde modellen:

• Een samengesteld model maken
• Documenten analyseren
• Uw samengestelde modellen beheren

Een samengesteld model maken

U kunt de programmeertaal van uw keuze gebruiken om een samengesteld model te maken:

Programmeertaal	Voorbeeld van code
C#	Model opstellen
Java	Model opstellen
JavaScript	Model opstellen
Python	Samengesteld model maken

Documenten analyseren

Zodra u het samengestelde model hebt gemaakt, kunt u het gebruiken om formulieren en documenten te analyseren. Gebruik uw samengestelde model ID model en laat de service bepalen welke van uw samengevoegde aangepaste modellen het beste past op basis van het opgegeven document.

Programmeertaal	Voorbeeld van code
C#	Een document analyseren met een aangepast/samengesteld model met behulp van model-id
Java	Een document analyseren met een aangepast/samengesteld model met behulp van model-id
JavaScript	Een document analyseren met een aangepast/samengesteld model met behulp van model-id
Python	Een document analyseren met een aangepast/samengesteld model met behulp van model-id

Uw samengestelde modellen beheren

U kunt een aangepast model beheren in elke fase van de levenscyclus. U kunt een aangepast model kopiëren tussen resources, een lijst weergeven met alle aangepaste modellen onder uw abonnement, informatie over een specifiek aangepast model ophalen en aangepaste modellen verwijderen uit uw account.

Programmeertaal	Voorbeeld van code
C#	Een aangepast model kopiëren tussen Document Intelligence-resources
Java	Een aangepast model kopiëren tussen Document Intelligence-resources
JavaScript	Een aangepast model kopiëren tussen Document Intelligence-resources
Python	Een aangepast model kopiëren tussen Document Intelligence-resources

Mooi! U hebt de stappen geleerd om aangepaste en samengestelde modellen te maken en deze te gebruiken in uw Document Intelligence-projecten en -toepassingen.

Volgende stappen

Probeer een van onze quickstarts voor Document Intelligence:

Document Intelligence Studio

REST API

C#

Java

JavaScript

Python