Azure AI Belge Zekası hakkında SSS

Azure AI Belge Zekası, belgelerinizden anahtar/değer çiftlerini, metinleri ve tabloları ayıklamak için makine öğrenmesi modellerini kullanan bulut tabanlı bir hizmettir. Döndürülen sonuç yapılandırılmış bir JSON çıkışıdır. Belge Zekası kullanım örnekleri arasında otomatik veri işleme, gelişmiş veri odaklı stratejiler ve zenginleştirilmiş belge arama özellikleri bulunur.

Belge Zekası, Azure yapay zeka hizmetlerinin bir parçasıdır. Azure yapay zeka hizmetleri, daha önce Azure Bilişsel Hizmetler ve Azure Uygulaması yapay zeka hizmetleri olarak bilinen tüm hizmetleri kapsar.

Belge Zekası'nın önceki adı Azure AI Form Tanıma'ydi. Form Tanıma, Temmuz 2023'te resmi olarak Belge Zekası oldu.

Fiyatlandırmada değişiklik yoktur. Bilişsel Hizmetler ve Uygulanan Yapay Zeka Hizmetleri adları Azure faturalama, maliyet analizi, fiyat listeleri ve fiyat API'lerinde kullanılmaya devam ediyor.

API'lerde veya istemci kitaplıklarında (SDK) hataya neden olan bir değişiklik yoktur. REST API'leri ve SDK sürümleri 2024-02-29-preview, 2023-10-31-preview ve üzeri sürümleri yeniden adlandırılır document intelligence.

Bazı platformlar hala yeniden adlandırma güncelleştirmesini bekliyor. Microsoft belgelerinde, Form Tanıma ve Belge Zekası ile ilgili tüm bahsetmeler aynı Azure hizmetine başvurur.

Belgelerinizle sohbet etmek, bu belgelerden etkileyici içerik oluşturmak ve verilerinizde Azure OpenAI Hizmeti modellerine erişmek için belge oluşturucu yapay zeka çözümünü kullanabilirsiniz. Azure AI Belge Zekası ve Azure OpenAI bir araya getirildiğinde, doğal dilleri kullanarak belgelerinizle sorunsuz bir şekilde etkileşim kurmak, kolayca yanıtlar bulmak ve değerli içgörüler elde etmek ve mevcut belgelerinizden yeni ve ilgi çekici içerik oluşturmak için kurumsal bir uygulama oluşturabilirsiniz. Teknik topluluk blogunda daha fazla ayrıntı bulabilirsiniz.

Anlamsal öbekleme, verimli bir depolama ve alma sağlamak için alma artırılmış oluşturma (RAG) için önemli bir adımdır. Belge Yönetim Bilgileri düzen modeli , gelişmiş içerik ayıklama ve belge yapısı analizi özellikleri için kapsamlı bir çözüm sunar.

Düzen modeliyle, büyük metin gövdelerini rastgele bölmeler yerine anlamsal içeriğe göre daha küçük, anlamlı öbeklere bölmek için metni ve yapısal öğeleri kolayca ayıklayabilirsiniz. Ardından, sağlanan yapı taşları temelinde anlamsal öbekleme stratejinizi tanımlayabileceğiniz şekilde ayıklanan bilgileri Markdown biçimine kolayca çıkarabilirsiniz. Belge Zekası'nda RAG'e genel bakış bölümünde daha fazla ayrıntı bulabilirsiniz.

Finansal verileri, korunan sağlık verilerini, kişisel verileri veya son derece hassas verileri kapsayan belge işleme projelerini dikkatle dikkate alın.

Ulusal/bölgesel ve sektöre özgü tüm gereksinimlere uyladığınızdan emin olun.

Belge Zekası'ndaki derin öğrenme tabanlı evrensel modeller, karma dillere sahip metin satırları da dahil olmak üzere resimlerinizden ve belgelerinizden çok dilli metin ayıklayan birçok dili destekler.

Dil desteği, Belge Zekası hizmeti işlevselliğine göre değişir. Belge Zekası'nın desteklediği el yazısı ve yazdırılan metnin tam listesi için bkz . Dil desteği.

Belge Zekası genel olarak 60'ın üzeri Azure genel altyapı bölgesinde kullanılabilir.

Sizin ve müşterileriniz için en uygun bölgeyi seçin.

Evet, Document Intelligence aşağıdaki hizmetlerle tümleştirilir:

• AI Builder iş akışları

• Azure AI Arama

• Azure Functions

• Azure Logic Apps

Belge Zekası, Azure AI hizmetlerinden optik karakter tanıma (OCR), metin analizi ve özel metin sınıflandırması içeren bulut tabanlı bir hizmettir.

Belge Zekası, metin ayıklamaya daha fazla yapı ve bilgi sağlamak amacıyla yapay zeka tarafından desteklenen yazı tipi ve el yazısı metin belgelerinden bilgileri algılamak ve ayıklamak için OCR kullanır.

Model, eğitmek için kullandığınız API sürümüyle aynı yaşam döngüsüne sahiptir. API'nin genel kullanılabilirlik (GA) sürümüyle eğitilen özel modeller, API sürümüyle aynı yaşam döngüsüne sahiptir. API sürümü kullanım dışı bırakıldığında, model artık çıkarım için kullanılamaz. API'nin önizleme sürümüyle eğitilen modeller de önizleme API'siyle aynı yaşam döngüsüne sahiptir.

Önizleme API'sinin güncelleştirilmiş bir önizleme API sürümünü veya daha yeni bir GA API sürümünü izleyen üç ay içinde kullanımdan kaldırılmasını bekleyebilirsiniz.

(v3.0 ve sonraki sürümler) veya train (v2.1) özel model işleminin çıkışı build tahmini doğruluk puanını içerir. Bu puan, modelin görsel olarak benzer bir belgedeki etiketlenmiş değeri doğru tahmin etme özelliğini temsil eder.

Doğruluk, %0 (düşük) ile %100 (yüksek) arasında bir yüzde değeri aralığında ölçülür.

Daha fazla bilgi için bkz . Doğruluk ve güvenilirlik puanları.

Belgelerinizin görsel yapısındaki farklar modelin doğruluğunu etkileyebilir. Bazı ipuçları şunlardır:

• Bir belgenin tüm çeşitlemelerini eğitim veri kümesine ekleyin. Çeşitlemeler farklı biçimler içerir; örneğin, dijital ve taranmış PDF'ler.

• Görsel olarak ayrı belge türlerini ayırın ve farklı modelleri eğitin.

• Gereksiz etiketleriniz olmadığından emin olun.

• İmza ve bölge etiketleme için çevreleyen metni dahil etmeyin.

Daha fazla bilgi için bkz . Doğruluk ve güvenilirlik puanları.

Güvenilirlik puanı, elde edilen sonucun doğru algılandığı istatistiksel kesinlik derecesini ölçerek olasılığı gösterir.

Güvenilirlik değeri aralığı %0 (düşük) ile %100 (yüksek) arasında bir yüzdedir. En iyisi %80 veya daha yüksek bir puan hedeflemektir. Finansal veya tıbbi kayıtlar gibi daha hassas vakalar için %100'e yakın bir puan öneririz. Ayrıca, insan incelemesi de gerektirebilirsiniz.

Daha fazla bilgi için bkz . Doğruluk ve güvenilirlik puanları.

Analiz işleminden sonra JSON çıkışını gözden geçirin. Düğümün confidence altındaki her anahtar/değer sonucunun pageResults değerlerini inceleyin. Ayrıca, metin okuma işlemine karşılık gelen düğümdeki readResults güvenilirlik puanına da bakmalısınız. Okuma sonuçlarının güvenilirliği anahtar/değer ayıklama sonuçlarının güvenilirliğini etkilemez, bu nedenle her ikisini de denetlemeniz gerekir. Bazı ipuçları şunlardır:

• Nesnenin readResults güvenilirlik puanı düşükse, giriş belgelerinizin kalitesini artırın.

• Nesnenin pageResults güvenilirlik puanı düşükse, analiz ettiğiniz belgelerin aynı türde olduğundan emin olun.

• İş akışlarınıza insan incelemesi eklemeyi göz önünde bulundurun.

• Her alanda farklı değerlere sahip formları kullanın.

• Özel modeller için daha büyük bir eğitim belgesi kümesi kullanın. Daha fazla belgenin etiketlenmesi, modelinize alanları daha yüksek doğrulukla tanımayı öğretir.

Daha fazla bilgi için bkz . Doğruluk ve güvenilirlik puanları.

Sınırlayıcı kutu (polygon v3.0 ve sonraki sürümlerde), belge veya formdaki metin öğelerini çevreleyen soyut bir dikdörtgendir. Nesne algılama için başvuru noktası olarak kullanılır.

Sınırlayıcı kutu, dört sayısal çiftten oluşan bir dizide sunulan x ve y koordinat düzlemi kullanılarak konumu belirtir. Her çift, kutunun bir köşesini şu sırayla temsil eder: sol üst, sağ üst, sağ alt, sol alt.

Bir görüntü için koordinatlar piksel cinsindendir. PDF için koordinatlar inç şeklindedir.

Belge Yönetim Bilgileri, bir giriş dosyasının eğitilen belge türlerinden herhangi birini içerip içermediğini belirlemek için tek dosyalı veya çok dosyalı belgeleri çözümleyebilecek özel sınıflandırma modelleri sağlar. Hizmet aşağıdaki senaryoları destekler:

• Kredi başvuru formu gibi tek bir belge türü içeren tek bir dosya.

• Birden çok belge içeren tek bir dosya. Örnek olarak, kredi başvuru formu, ödeme ve banka ekstresi içeren bir kredi uygulama paketi verilmiştir.

• Aynı belgenin birden çok örneğini içeren tek bir dosya. Taranan faturaların koleksiyonu örnek olarak verilmiştir.

Daha fazla bilgi için bkz . Özel sınıflandırma modellerine genel bakış.

Belge Zekası aşağıdaki platformlarda en son geliştirme seçeneklerini sunar:

• REST API

• Belge Makine Zekası Stüdyosu

• C#/.NET

• Java

• JavaScript/TypeScript

• Python

Bu tablo en son SDK sürümlerine bağlantılar sağlar ve desteklenen Belge Zekası SDK'sı ile API sürümleri arasındaki ilişkiyi gösterir:

Daha fazla bilgi için bkz . v4.0 için desteklenen istemciler ve v3.1 için desteklenen istemciler.

Daha iyi kullanılabilirlik için, Document Intelligence v3.0 tamamen yeniden tasarlanmış bir istemci kitaplığı sunar. En son Belge Zekası API'sinin özelliklerini başarıyla kullanmak için en son SDK'ya ihtiyacınız vardır ve uygulama kodunuz yeni istemcileri kullanacak şekilde güncelleştirilmelidir.

Bu tablo, Belge Zekası'nın en yeni sürümüne geçiş için ayrıntılı yönergelerin bağlantılarını sağlar:

En iyi sonuçları almak için giriş gereksinimlerine bakın.

Birden çok sayfalı PDF ve TIFF belgelerinin pages sayfalarını belirtmek için parametresini (REST API'nin v2.1, v3.0 ve sonraki sürümlerinde desteklenir) kullanın. Kabul edilen giriş aşağıdaki aralıkları içerir:

• Tek sayfalar. Örneğin, belirtirseniz 1, 2, 1. ve 2. sayfalar işlenir.
• Sonlu aralıklar. Örneğin, belirtirseniz 2-5, 2- 5 sayfaları işlenir.
• Açık uçlu aralıklar. Örneğin, belirtirseniz 5-, 5. sayfadaki tüm sayfalar işlenir. belirtirseniz -10, 1- 10 sayfaları işlenir.

Bu parametreleri birlikte karıştırabilirsiniz ve aralıklar çakışabilir. Örneğin, belirtirseniz -5, 1, 3, 5-10, 1- 10 sayfaları işlenir.

Hizmet, belgenin en az bir sayfasını işleyebiliyorsa isteği kabul eder. Örneğin, beş sayfalık bir belgede kullanmak 5-100 , 5. sayfanın işlendiği anlamına gelen geçerli bir giriştir.

Sayfa aralığı sağlamazsanız, belgenin tamamı işlenir.

Çoğu zaman, Belge Yönetim Bilgileri kaynaklarını ve depolama hizmetlerini yapılandırma sürenizi azaltabileceğinden, Document Intelligence Studio'yu öneririz.

Aşağıdaki senaryolar için Form OCR Test Aracı'nı (FOTT) kullanmayı göz önünde bulundurun:

• Verileriniz tek bir makinede kalmalıdır. FOTT Örnek Etiketleme aracını ve Bir Belge Yönetim Bilgileri kapsayıcısını kullanın.

• Projeniz Son derece Belge Yönetim Bilgileri v2.1'e bağımlıdır ve v2.1 API'lerini kullanmaya devam etmek istiyorsunuz.

Belge Yönetim Bilgileri faturalaması, model türüne ve analiz edilen sayfa sayısına göre aylık olarak hesaplanır. Bazı ayrıntılar şunlardır:

• Analiz için bir belge gönderdiğinizde, isteğinizdeki parametresini kullanarak pages bir sayfa aralığı belirtmediğiniz sürece hizmet tüm sayfaları analiz eder. Hizmet okuma, OCR veya düzen modeli aracılığıyla Microsoft Excel ve PowerPoint belgelerini analiz ettiğinde, her Excel çalışma sayfasını ve PowerPoint slaydını tek sayfa olarak sayar.

• Hizmet PDF ve TIFF dosyalarını çözümlediğinde, PDF dosyasındaki her sayfayı veya TIFF dosyasındaki her görüntüyü maksimum karakter sınırı olmayan bir sayfa olarak sayar.

• Hizmet, okuma ve düzen modellerinin desteklediği Microsoft Word ve HTML dosyalarını analiz ettiğinde, sayfaları her biri 3.000 karakterden oluşan bloklar halinde sayar. Örneğin, belgeniz 7.000 karakter içeriyorsa, her biri 3.000 karakterli iki sayfa ve 1.000 karakterli bir sayfa toplam üç sayfaya kadar eklenir.

• Microsoft Word, Excel, PowerPoint ve HTML dosyalarını analiz etmek için okuma veya düzen modelini kullanırken, eklenmiş veya bağlı görüntüler desteklenmez. Bu nedenle hizmet bunları eklenen görüntüler olarak saymaz.

• Belge Zekası ile özel bir modelin eğitimi her zaman ücretsizdir. Yalnızca hizmet bir belgeyi analiz etmek için bir model kullandığında ücretlendirilirsiniz.

• Kapsayıcı fiyatlandırması, bulut hizmeti fiyatlandırması ile aynıdır.

• Belge Zekası, tüm Belge Zekası özelliklerini testebileceğiniz ücretsiz bir katman (F0) sunar.

• Belge Zekası, büyük iş yükleri için taahhüt tabanlı bir fiyatlandırma modeline sahiptir.

Azure AI Belge Zekası fiyatlandırma seçenekleri hakkında daha fazla bilgi edinin.

Kullanım ölçümlerini Azure portalındaki ölçümler panosunda bulabilirsiniz. Pano, Azure AI Belge Zekası'nın işlediği sayfa sayısını görüntüler. Azure fiyatlandırma hesaplayıcısını kullanarak kaynak için harcanan tahmini maliyeti de kontrol edebilirsiniz. Ayrıntılı yönergeler için bkz . Kullanımı denetleme ve maliyeti tahmin etme.

Belge Yönetim Bilgileri, gerekli hesaplama kaynaklarını isteğe bağlı olarak sağlamak ve müşteri maliyetlerini düşük tutmak için otomatik ölçeklendirmeyi kullanır. Otomatik ölçeklendirme sırasında azaltmayı azaltmak için aşağıdaki yaklaşımı öneririz:

• Uygulamanıza yeniden deneme mantığı ekleyin.

• İstek sayısında POST kısıtlandığınızı fark ederseniz, istekler arasına bir gecikme eklemeyi göz önünde bulundurun.

• İş yükünü kademeli olarak artırın. Keskin değişikliklerden kaçının.

• Saniye başına işlem (TPS) sınırını artırmak için bir destek isteği oluşturun.

Belge Yönetim Bilgileri hizmeti kotaları ve sınırları hakkında daha fazla bilgi edinin.

Belgeyi analiz etme süresi, her sayfadaki boyuta (örneğin, sayfa sayısı) ve ilişkili içeriğe bağlıdır.

Belge Zekası, benzer belgeler için gecikme süresinin karşılaştırılabilir olduğu ancak her zaman aynı olmadığı çok kiracılı bir hizmettir. Gecikme süresi, bir API sunucusunun gelen isteği işlemesi ve işlemesi ve giden yanıtı istemciye teslim etme süresidir. Gecikme süresi ve performansta zaman zaman değişkenlik, görüntüleri ve büyük belgeleri büyük ölçekte işleyen mikro hizmet tabanlı, durum bilgisi olmayan, zaman uyumsuz hizmetlerde geçerlidir.

Donanım ve kapasite ile ölçeklendirme özelliklerini sürekli olarak artırıyor olsak da, çalışma zamanında gecikme sorunları yaşamaya devam edebilirsiniz.

Belge Zekası özel modelini kullandığınızda, kendi eğitim verilerinizi sağlarsınız. Modellerinizi etkili bir şekilde eğitmeye yardımcı olacak birkaç ipucu aşağıdadır:

• Mümkün olduğunda görüntü tabanlı PDF'ler yerine metin tabanlı kullanın. Görüntü tabanlı PDF'yi tanımlamanın bir yolu, belgedeki belirli bir metni seçmeyi denemektir. Metnin yalnızca tüm görüntüsünü seçebiliyorsanız, belge metin tabanlı değil görüntü tabanlıdır.

• Eğitim belgelerinizi her biçim için bir alt klasör (JPEG/JPG, PNG, BMP, PDF veya TIFF) kullanarak düzenleyin.

• Tüm kullanılabilir alanların tamamlandığı formları kullanın.

• Her alanda farklı değerlere sahip formlar kullanın.

• Resimleriniz düşük kaliteliyse daha büyük bir veri kümesi (beşten fazla eğitim belgesi) kullanın.

Eğitim veri kümesi oluşturma hakkında daha fazla bilgi edinin.

Modelinizin doğruluk düzeyi, eğitim malzemelerinizin kalitesine bağlıdır. Bazı ipuçları şunlardır:

• Tek bir model mi yoksa tek bir modelde oluşturulmuş birden çok model mi kullanmanız gerektiğini belirleyin.

• Tek bir modelle analiz edilen farklı biçimlere sahip olduğunuzda model doğruluğu düşebilir. Veri kümenizi, her klasörün benzersiz bir şablon olduğu klasörler halinde segmentlere ayırmayı planlayın. Klasör başına bir model eğitin ve elde edilen modelleri tek bir uç noktada oluşturun.

• Özel formlar tutarlı bir görsel şablonu kullanır. Formunuzda biçimler ve sayfa sonları içeren çeşitlemeler varsa, birden çok modeli eğitmek için veri kümenizi segmentlere ayırmayı göz önünde bulundurun.

• Biçimleri, belge türlerini ve yapıyı hesaplayarak dengeli bir veri kümeniz olduğundan emin olun.

Oluşturulan modeller hakkında daha fazla bilgi edinin.

Belge Yönetim Bilgileri'nin açık bir yeniden eğitme işlemi yoktur. Her tren işlemi yeni bir model oluşturur.

Modelinizin yeniden eğitilmesi gerektiğini fark ederseniz, eğitim veri kümenize daha fazla örnek ekleyin ve yeni bir model eğitin.

Model Oluşturma işlemiyle, tek bir model kimliğine en fazla 200 model atayabilirsiniz. Oluşturulan model kimliğiyle istek yaptığınızda Analyze Document , Belge Gösterimi gönderilen formu sınıflandırır, en iyi modeli seçer ve sonuçları döndürür. Model Oluşturma şu anda yalnızca etiketlerle eğitilen özel modeller için kullanılabilir.

Oluşturulan modelleri kullanarak belgeyi çözümlemek, tek bir model kullanarak belgeyi çözümlemekle aynıdır. Sonuç, Analyze Document belgeyi analiz etmek için hangi bileşen modellerini seçtiğinizi gösteren bir docType özellik döndürür. Tek bir özel model veya oluşturulmuş bir özel model kullanarak belgeyi analiz etmek için fiyatlandırmada bir değişiklik yoktur.

Oluşturulan modeller hakkında daha fazla bilgi edinin.

Şu alternatiflerden birini kullanabilirsiniz:

• Özel modeli çağırmadan önce belgeleri sınıflandırın. Kod, normal ifadeler veya arama gibi kaynakları kullanarak okuma modelini kullanabilir ve belgelerden ayıklanan metinleri ve belirli tümcecikleri temel alan bir sınıflandırma oluşturabilirsiniz.

• Aynı alanları çeşitli yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış belgelerden ayıklamak istiyorsanız, derin öğrenme özel sinir modelini kullanmayı göz önünde bulundurun. Özel şablon modeli ile özel sinir modeli arasındaki farklar hakkında daha fazla bilgi edinin.

Her eğitim işlemi yeni bir model oluşturur.

1. Yeni şablonunuz için bir veri kümesi oluşturun.

2. Yeni bir modeli etiketleyip eğitin.

3. Yeni modelin belirli belge türleriniz için iyi performans sergilediğini doğrulayın.

4. Mevcut modelle yeni modelinizi tek bir uç noktada oluşturma. Daha sonra Belge Zekası, analiz edilecek her belge için en iyi modeli belirleyebilir.

Oluşturulan modeller hakkında daha fazla bilgi edinin.

İmza algılama , belgeyi imzalayan kişinin kimliğini değil, imzanın varlığını arar.

Model imza algılama için imzasız döndürürse, model tanımlı alanda imza bulamadı.

Belgelerden ve görüntülerden metinleri, tabloları, seçim işaretlerini ve yapı bilgilerini ayıklamak için Belge Yönetim Bilgileri düzen modeliyle başlayabilirsiniz. Aşağıdaki faktörleri de göz önünde bulundurabilirsiniz:

• Ayıklamak istediğiniz veriler tablo olarak sunuluyor mu ve tablo yapısı anlamlı mı?

• Veriler tablo biçiminde değilse, veriler iki boyutlu bir kılavuza sığabilir mi?

• Tablolarınız birden çok sayfaya yayılsın mı? Bu durumda, tüm sayfaları etiketlemek zorunda kalmamak için Belge Yönetim Bilgileri'ne göndermeden önce PDF'yi sayfalara bölün. Analizden sonra sayfaları tek bir tabloya işleyin.

• Özel modeller oluşturuyorsanız Tablo olarak etiketleme bölümüne bakın. Dinamik tabloların her sütun için değişken sayıda satırı vardır. Sabit tabloların her sütun için sabit sayıda satırı vardır.

Bir Belge Yönetim Bilgileri hesabından desteklenen herhangi bir coğrafi bölgede bulunan diğer kişilere özel modelleri kopyalamak için Kopyalama API'sini kullanabilirsiniz. Ayrıntılı yönergeler için bkz . Olağanüstü durum kurtarma.

Kopyalama işlemi, modeli eğittiğiniz belirli bir bulut ortamındaki modelleri kopyalamayla sınırlıdır. Örneğin, modellerin genel buluttan Azure Kamu buluta kopyalanması desteklenmez.

Veri kümeniz için etiket oluşturmak için düzen gereklidir. Özel eğitim için kullandığınız veri kümesinde kullanılabilir etiket dosyaları yoksa, hizmet bunları sizin için oluşturur.

Paylaşılan erişim imzası oluşturduğunuzda varsayılan süre 48 saattir. 48 saat sonra yeni bir belirteç oluşturmanız gerekir.

Belge Yönetim Bilgileri ile depolama hesabınızı kullandığınız süre için daha uzun bir süre ayarlamayı göz önünde bulundurun.

Sanal ağ veya güvenlik duvarı tarafından korunan bir Azure depolama hesabınız varsa, Belge Zekası depolama hesabınıza doğrudan erişemez. Ancak özel Azure depolama hesabı erişimi ve kimlik doğrulaması, Azure kaynakları için yönetilen kimlikleri destekler. Yönetilen kimlik kullandığınızda, Belge Yönetim Bilgileri hizmeti atanmış kimlik bilgilerini kullanarak depolama hesabınıza erişebilir.

FoTT kullanarak özel depolama hesabı verilerinizi analiz etmek istiyorsanız, aracı sanal ağın veya güvenlik duvarının arkasına dağıtmanız gerekir.

Belge Yönetim Bilgileri kaynağınız için yönetilen kimlik oluşturmayı ve kullanmayı öğrenin.

Document Intelligence Studio'ya erişmek için en az Okuyucu rolüne sahip etkin bir Azure hesabınız ve aboneliğiniz olmalıdır.

Belge analizi ve önceden oluşturulmuş modeller için kullanıcı senaryoları için rol gereksinimleri şunlardır:

• Temel

  • Bilişsel Hizmetler Kullanıcısı: Document Intelligence Studio'yu kullanmak için Bir Belge Zekası veya Azure Bilişsel Hizmetler çok hizmetli kaynağı için bu role ihtiyacınız vardır.

• Gelişmiş

  • Katkıda Bulunan: Kaynak grubu veya Belge Yönetim Bilgileri kaynağı oluşturmak için bu role ihtiyacınız vardır. Katkıda Bulunan rolü Bilişsel Hizmetler anahtarlarını listelemenize izin vermez. Document Intelligence Studio'yu kullanmak için Bilişsel Hizmetler Kullanıcı rolüne sahip olmanız gerekir.

Özel model projeleri için, kullanıcı senaryoları için rol gereksinimleri şunlardır:

• Temel

  • Bilişsel Hizmetler Kullanıcısı: Özel bir modeli eğitmek veya eğitilen modellerle analiz etmek için Bir Belge Zekası veya Bilişsel Hizmetler birden çok hizmet kaynağı için bu role ihtiyacınız vardır.

  • blob veri katkıda bulunanı Depolama: Bir depolama hesabının proje ve etiket verileri oluşturması için bu role ihtiyacınız vardır.

• Gelişmiş

  • Depolama Hesap Katkıda Bulunanı: Depolama hesabının çıkış noktaları arası kaynak paylaşımı (CORS) ayarlarını ayarlaması için bu role ihtiyacınız vardır. Aynı depolama hesabını yeniden kullanırsanız bu tek seferlik bir çabadır.

    Katkıda Bulunan rolü blobunuzdaki verilere erişmenize izin vermez. Document Intelligence Studio'yu kullanmak için Depolama Blob Verileri Katkıda Bulunanı rolüne sahip olmanız gerekir.

  • Katkıda Bulunan: Kaynak grubu ve kaynak oluşturmak için bu role ihtiyacınız vardır. Katkıda Bulunan rolü, oluşturulan kaynakları veya depolama alanını kullanmanıza izin vermez. Document Intelligence Studio'yu kullanmak için temel rollere ihtiyacınız vardır.

Daha fazla bilgi için Bkz. Microsoft Entra yerleşik rolleri ve Document Intelligence Studio hızlı başlangıcındaki Azure rol atamaları hakkındaki bölümler.

Serbest katmanlı (F0) kaynaklar için, Document Intelligence Studio, REST API veya SDK'ları kullanmanız fark etmeksizin yalnızca ilk iki sayfa analiz edilir.

Document Intelligence Studio'da Ayarlar (dişli) düğmesini seçin, Kaynaklar sekmesini seçin ve belgeleri analiz etmek için kullandığınız fiyat katmanını denetleyin. Belgedeki tüm sayfaları analiz etmek istiyorsanız, ücretli (S0) bir kaynağa geçin.

Document Intelligence Studio'da bir dizini değiştirmek için Ayarlar (dişli) düğmesini seçin. Dizin'in altında listeden dizini seçin ve ardından Dizini Değiştir'i seçin. Dizini değiştirdikten sonra yeniden oturum açmanız istenir.

Aboneliği veya kaynağı değiştirmek için Ayarlar altındaki Kaynak sekmesine gidin.

Azure kaynaklarınızı ayarlamak için Belge Zekası için yönetilen kimlikler bölümüne bakın.

Belge Yönetim Bilgileri kaynağınızın güvenlik duvarı izin verilenler listesine 20.3.165.95 ayrılmış IP adresini eklemeniz gerekir.

Evet. Document Intelligence Studio'daki etiketleme deneyimi Toolkit deposunda açık kaynak.

Bu özel projeye bağlı Belge Yönetim Bilgileri kaynağınız silindi veya başka bir kaynak grubuna taşındı. Bu sorunu çözmenin iki yolu vardır:

• Belge Yönetim Bilgileri kaynağını aynı abonelik ve kaynak grubu altında aynı ada sahip yeniden oluşturun.

• Geçirilen Belge Yönetim Bilgileri kaynağıyla özel bir projeyi yeniden oluşturun ve aynı depolama hesabını belirtin.

Evet. Belge Yönetim Bilgileri kapsayıcıları, faturalama bilgilerini Azure'a göndermek için İnternet bağlantısı gerektirir. Azure kapsayıcı güvenliği hakkında daha fazla bilgi edinin.

Bağlan kapsayıcılar, Azure hesabınızda bir Belge Yönetim Bilgileri kaynağı kullanarak faturalama bilgilerini Azure'a gönderir. Bağlı kapsayıcılarda faturalama bilgilerini Azure'a göndermek için İnternet bağlantısı gerekir.

Bağlantısı kesilmiş kapsayıcılar , İnternet bağlantısı kesilmiş API'leri kullanmanıza olanak tanır. Fatura bilgileri internet üzerinden gönderilmez. Bunun yerine satın alınan taahhüt katmanına göre ücretlendirilirsiniz. Şu anda, belge yönetim bilgileri özel ve fatura modellerinde bağlantısız kapsayıcı kullanımı kullanılabilir.

Bağlı ve bağlantısı kesilmiş kapsayıcılarda sağlanan model özellikleri aynıdır ve Document Intelligence v2.1 tarafından desteklenir.

Document Intelligence bağlı kapsayıcıları, Azure hesabınızda bir Belge Yönetim Bilgileri kaynağı kullanarak faturalama bilgilerini Azure'a gönderir. Bağlan kapsayıcılar, analiz edilen görüntü veya metin gibi müşteri verilerini Microsoft'a göndermez.

Bağlı kapsayıcıların faturalama için Microsoft'a gönderdiği bilgilere bir örnek için bkz. Azure AI kapsayıcısı hakkında SSS.

Document Intelligence bağlı kapsayıcıları, Azure hesabınızda bir Belge Yönetim Bilgileri kaynağı kullanarak faturalama bilgilerini Azure'a gönderir. Kapsayıcılar faturalama uç noktasıyla iletişim kuramıyorsa bu iletiyi alabilirsiniz.

FOTT,yerel depolama kullanan bir sürüme sahiptir. Sürümün bir Windows makinesine yüklenmesi gerekir. Bu konumdan yükleyebilirsiniz.

Proje sayfasında, etiket dosyalarınız bir alt dizindeyse etiket klasörü URI'sini /shared veya /shared/sub-dir olarak belirtin. Diğer tüm Belge Yönetim Bilgileri Örnek Etiketleme Aracı davranışı barındırılan hizmetle aynıdır.

Zaman uyumsuz çağrılar için paylaşılan depolama ile birden çok kapsayıcı çalıştırabilirsiniz. Analiz çağrısını POST işleyen kapsayıcı çıktıyı depolama alanında depolar. Daha sonra, diğer tüm kapsayıcılar depolamadan sonuçları getirebilir ve çağrıları GET sunar. İstek kimliği bir kapsayıcıya bağlı değil.

Zaman uyumlu çağrılar için birden çok kapsayıcı çalıştırabilirsiniz, ancak yalnızca bir kapsayıcı bir isteğe hizmet eder. Engelleyici bir çağrı olduğundan, havuzdaki herhangi bir kapsayıcı isteğe hizmet edebilir ve yanıtı gönderebilir. Burada, aynı anda bir isteğe yalnızca bir kapsayıcı bağlanır ve yoklama gerekmez.

Kapsayıcılar, işlem dosyalarını depolamak Mounts:Shared üzere paylaşılan depolamayı belirtmek için başlatılırken özelliğini kullanır. Bu özelliğin kullanımını görmek için kapsayıcı belgelerine bakın.

Bir Azure hizmetine yapılan her istek bir kimlik doğrulama üst bilgisi içermelidir. Birkaç yöntem kullanarak isteğin kimliğini doğrulayabilirsiniz:

• Tek hizmetli veya çok hizmetli bir anahtarla kimlik doğrulaması yapma.

• Microsoft Entra Kimliği ile kimlik doğrulaması yapın .

• Müşteri tarafından yönetilen anahtarları etkinleştirin .

• Yönetilen kimlikleri yetkilendirme.

Tüm özellikler için, Belge Zekası verileri ve sonuçları azure Depolama istekle aynı bölgede geçici olarak depolar. Ardından verileriniz, analiz isteği gönderdiğiniz tarihten itibaren 24 saat içinde silinir.

Belge Zekası için veriler, gizlilik ve güvenlik hakkında daha fazla bilgi edinin.

Analiz ve etiketlemeden sonraki ara çıkışlar, eğitim verilerinizi depoladığınız Azure Depolama konumunda depolanır. Eğitilen özel modeller azure Depolama aynı bölgede depolanır ve Azure aboneliğiniz ve API kimlik bilgilerinizle mantıksal olarak yalıtılır.

Microsoft Soru-Cevap , Microsoft'ta teknik sorulara ve yanıtlara ev sahipliği yaptı. Belge Yönetim Bilgileri'ne özgü sorguları filtreleyebilirsiniz.

Belge Zekası OCR modelini sürekli güncelleştirip geliştiriyoruz. Belge Zekası ekibine e-posta gönderebilirsiniz. Mümkünse, sorunun vurgulandığı bir örnek belge paylaşın.