文件智慧服務自訂模型

重要

• 文件智慧服務公開預覽版本可讓您搶先存取正在積極開發的功能。 根據使用者意見反應，功能、方法和流程在正式發行 (GA) 前可能有所變更。
• 文件智慧服務用戶端程式庫的公開預覽版預設為 REST API 版本 2024-07-31-preview。
• 公開預覽版 2024-07-31-preview 目前僅適用於下列 Azure 地區。 請注意，AI Studio 中的自訂生成 (文件欄位擷取) 模型僅適用美國中北部地區：
  • 美國東部
  • 美國西部 2
  • 西歐
  • 美國中北部

此內容適用於： v4.0 (預覽版) | 舊版： v3.1 (GA) v3.0 (GA) v2.1 (GA)

文件智慧服務使用進階機器學習技術來識別文件、偵測及擷取表格和文件中的資訊，並在結構化 JSON 輸出中傳回擷取的資料。 透過文件智慧服務，您可以使用文件分析模型、預先建置/預先定型，或已定型的獨立自訂模型。

自訂模型現在包含 自訂分類模型， 適用於您需要在叫用擷取模型之前識別檔類型的案例。 分類器模型可從 2023-07-31 (GA) API 開始使用。 分類模型可以與自訂擷取模型配對，以分析及擷取您企業專屬的表單和文件中的欄位。 您可以結合獨立自訂擷取模型來建立組成模型。

自訂文件模型類型

自訂文件模型可以是兩種類型之一：自訂範本或自訂表單，以及自訂神經或自訂文件模型。 這兩個模型的標籤和定型程序都相同，但模型不同，如下所示：

自訂擷取模型

若要建立自訂擷取模型，您可以使用所要擷取的值來標記文件的資料集，並針對加上標籤的資料集定型模型。 您只需要五個相同表單或文件類型的範例，即可開始使用。

自訂神經模型

重要

從 4.0 版 (2024-02-29-preview) API 開始，自訂神經模型現在支援重疊欄位和資料表、資料列和儲存格層級信賴度。

自訂神經 (自訂文件) 模型會使用深度學習模型，以及在大型文件集合上定型的基礎模型。 當您使用已加上標籤的資料集來定型模型時，此模型接著會經過微調或調整為符合您的資料。 自訂神經模型支援從結構化、半結構化和非結構化文件中擷取重要資料欄位。 當您選擇這兩種模型類型時，請從神經網路開始，以判斷其是否符合您的功能需求。 若要深入瞭解自訂文件模型，請參閱神經模型。

自訂範本模型

自訂範本或自訂表單模型依賴一致的視覺化範本來擷取標記的資料。 模型的正確性會受到文件視覺結構變異數的影響。 問卷或申請表等結構化表格是一致的視覺範本範例。

您的定型集會包含結構化文件，其中格式設定和版面配置是靜態的，且在文件實例之間都是不變的。 自訂範本模型支援索引鍵/值組、選取標記、資料表、簽章欄位和區域。 範本模型，可以在任何支援語言的文件上定型。 如需詳細資訊，請參閱自訂範本模型。

如果您的文件和擷取案例的語言支援自訂類神經網路模型，建議您使用自訂類神經網路模型，以取得更高的精確度。

提示

若要確認您的定型文件呈現一致的視覺化範本，請將所有使用者輸入的資料從集合中的每個表單中移除。 如果空白表單在外觀上相同，則其代表一致的視覺化範本。

如需詳細資訊，請參閱解譯並改善自訂模型的正確性和信賴度。

輸入需求

• 若要得到最佳結果，請為每個文件提供一張清晰的照片或高畫質的掃描檔案。

• 支援的檔案格式：

  模型	PDF	影像： jpeg/jpg、png、bmp、tiff、heif	Microsoft Office： Word (docx)、Excel (xlsx)、PowerPoint (pptx)
  參閱	✔	✔	✔
  版面配置	✔	✔	✔ (2024-02-29-preview、2023-10-31-preview 和更新版本)
  一般文件	✔	✔
  預建	✔	✔
  自訂擷取	✔	✔
  自訂分類	✔	✔	✔

  ✱ Microsoft Office 檔案目前不支援其他模型或版本。

• 若使用 PDF 和 TIFF，最多可處理 2,000 頁 (若使用免費層訂閱，則只會處理前兩頁)。

• 分析文件的檔案大小付費 (S0) 層為 500 MB，而免費 (F0) 層為 4 MB。

• 影像維度必須介於 50 x 50 像素和 10,000 x 10,000 像素之間。

• 如果您的 PDF 有密碼鎖定，則必須先移除鎖定才能提交。

• 針對 1024 x 768 像素影像的擷取文字高度下限為 12 像素。 此尺寸在 150 點/英吋時大約相當於 8 點文字。

• 針對自訂模型定型，自訂範本模型的定型資料頁數上限為 500，而自訂神經網路模型的上限則為 50,000。

• 針對自訂擷取模型定型，範本模型的定型資料大小總計為 50 MB，而神經模型的大小總計則為 1G-MB。

• 針對自訂分類模型定型，定型資料的大小總計為 1GB (上限為 10,000 頁)。

最佳訓練資料

訓練輸入資料是任何機器學習模型的基礎。 這會決定模型的品質、正確性和效能。 因此，為文件智慧服務專案建立最佳訓練輸入資料至關重要。 使用文件智慧服務自訂模型時，您需要提供自己的訓練資料。 以下是一些有助於有效訓練模型的秘訣：

• 盡可能使用以文字為基礎的 PDF，而不是以影像為基礎的 PDF。 若要識別以影像*為基礎的 PDF，其中一種方式是嘗試選取文件中的特定文字。 如果您只能選取文字的整個影像，則該文件就是以影像為基礎，而不是以文字為基礎。

• 使用每個格式的子資料夾來組織訓練文件 (JPEG/JPG、PNG、BMP、PDF 或 TIFF)。

• 使用已完成所有可用欄位的表單。

• 使用在每個欄位中具有不同值的表單。

• 如果您的影像畫質很低，請使用較大的資料集 (超過五個訓練文件)。

• 判斷您需要使用單一模型或組合單一模型的多個模型。

• 考慮將資料集分割成資料夾，其中每個資料夾都是唯一的範本。 請將每個資料夾訓練為一個模型，並將產生的模型組合為單一端點。 當您使用單一模型分析不同格式時，模型精確度可能會降低。

• 如果您的表單具有格式和分頁符號的變化，請考慮分割資料集以訓練多個模型。 自訂表單依賴一致的視覺範本。

• 考量格式、文件類型和結構，確定您有平衡的資料集。

建置模式

build custom model 作業會新增對範本和神經自訂模型的支援。 舊版 REST API 和用戶端程式庫僅支援單一建置模式 (現在稱為範本模式)。

• 範本模型只接受具有相同基本頁面結構的文件—統一的視覺外觀—或文件內元素的相同相對位置。

• 神經模型支援具有相同資訊但不同頁面結構的文件。 這些文件的範例包括美國 W2 表單，這些表單會共用相同的資訊，但不同的公司在外觀上有所不同。

下表提供 GitHub 上建置模式程式設計語言 SDK 參考和程式碼範例的連結：

程式設計語言	SDK 參考	程式碼範例
C#/.NET	DocumentBuildMode Struct	Sample_BuildCustomModelAsync.cs
Java	DocumentBuildMode 類別	BuildModel.java
JavaScript	DocumentBuildMode type	buildModel.js
Python	DocumentBuildMode 列舉	sample_build_model.py

比較模型功能

下表比較自訂範本和自訂神經功能：

功能	自訂範本 (表單)	自訂神經 (文件)
文件結構	範本、表單和結構化	結構化、半結構化和非結構化
定型時間	1 至 5 分鐘	20 分鐘到 1 小時
資料擷取	索引鍵/值組、資料表、選取標記、座標和簽章	索引鍵/值組、選取標記和資料表
重疊欄位	不支援	支援
文件變化	每個變化都需要模型	針對所有變化使用單一模型
語言支援	語言支援：自訂範本	語言支援：自訂神經

自訂分類模型

文件分類是文件智慧服務使用 2023-07-31 (v3.1 GA) API 支援的新案例。 文件分類器 API 支援分類和分割案例。 定型分類模型，以識別應用程式支援的不同文件類型。 分類模型的輸入檔案可以包含多個文件，並將每個文件分類在相關聯的頁面範圍內。 若要深入了解，請參閱自訂分類模型。

注意

從 2024-02-29-preview API 版本文件分類開始，現在支援 Office 文件類型進行分類。 此 API 版本也會針對分類模型引進累加式定型。

自訂模型工具

文件智慧服務 v3.1 和更新版本模型支援下列工具、應用程式、程式和程式庫：

功能	資源	Model ID
自訂模型	• Document Intelligence Studio • REST API • C# SDK • Python SDK	custom-model-id

自訂模型生命週期

自訂模型的生命週期取決於用來訓練模型的 API 版本。 如果 API 版本是正式發行 (GA) 版本，則自訂模型具有與該版本相同的生命週期。 當 API 版本遭取代時，自訂模型便無法供推斷使用。 如果 API 版本是預覽版本，則自訂模型具有與 API 預覽版本相同的生命週期。

組建自訂模型

使用自訂模型，從特定或唯一的文件擷取資料。 您需要下列資源：

• Azure 訂用帳戶。 您可以免費建立一個訂用帳戶。

• Azure 入口網站中的 Document Intelligence 執行個體。 您可以使用免費定價層 (F0) 來試用服務。 部署資源後，選取 [前往資源] 以取得金鑰和端點。

  

Document Intelligence Studio

注意

Document Intelligence Studio 有 v3.1 和 v3.0 API 可供使用。

1. 在 [Document Intelligence Studio] 首頁上，選取 [自訂擷取模型]。

2. 在 [我的專案] 下，選取 [建立專案]。

3. 完成專案詳細資料欄位。

4. 將儲存體帳戶和 Blob 容器新增至連線定型資料來源，以設定服務資源。

5. 檢閱並建立專案。

6. 新增樣本文件來標記、建置及測試自訂模型。

試用文件智慧工作室

如需建立第一個自訂擷取模型的詳細逐步解說，請參閱如何建立自訂擷取模型。

自訂模型擷取摘要

下表比較支援的資料擷取區域：

模型	表單欄位	選取標記	結構化欄位 (資料表)	簽章	區域標籤	重疊欄位
自訂範本	✔	✔	✔	✔	✔	不適用
自訂神經	✔	✔	✔	不適用	*	✔ (2024-02-29-preview)

資料表符號：
✔—已支援
**n/a—目前無法使用；
*-根據模型有不同的行為。 使用範本模型時，會在定型時產生綜合資料。 使用類神經網路時，會選取區域中已辨識的結束文字。

提示

當您選擇這兩種模型類型時，請從自訂神經模型開始，以判斷其是否符合您的功能需求。 若要深入瞭解自訂神經模型，請參閱自訂神經。

自訂模型開發選項

下表描述相關聯工具和用戶端程式庫可用的功能。 最佳做法是，請確定您使用此處所列的相容工具。

Document type	REST API	SDK	標記和測試模型
自訂範本 v 4.0 v3.1 v3.0	文件智慧 3.1	文件智慧 SDK	Document Intelligence Studio
自訂神經網路 v4.0 v3.1 v3.0	文件智慧 3.1	文件智慧 SDK	Document Intelligence Studio
自訂表單 v2.1	文件智慧服務 2.1 GA API	文件智慧 SDK	範例標籤工具

注意

與 2.1 API 相比，使用 3.0 API 定型的自訂範本模型有一些改善，這些改善源自於 OCR 引擎的改善。 使用 2.1 API 定型自訂範本模型的資料集仍可用來使用 3.0 API 來定型新模型。

• 若要得到最佳結果，請為每個文件提供一張清晰的照片或高畫質的掃描檔案。

• 支援的檔案格式：JPEG/JPG、PNG、BMP、TIFF 和 PDF (文字內嵌或掃描)。 建議使用文字內嵌的 PDF，以消除擷取字元和位置時可能發生的錯誤。

• 針對 PDF 和 TIFF 檔案，可以處理最多 2000 頁。 使用免費層訂用帳戶的情況下，只會處理前兩頁。

• 付費 (S0) 層的檔案大小必須小於 500 MB，免費 (F0) 層必須小於 4 MB。

• 影像維度必須介於 50 x 50 像素和 10,000 x 10,000 像素之間。

• PDF 維度最大到 17 x 17 英吋，對應於標準 (美國 8.5 x 14) 或 A3 紙張尺寸或更小。

• 定型資料的大小總計為 500 個頁面以下。

• 如果您的 PDF 有密碼鎖定，則必須先移除鎖定才能提交。

  提示

  定型資料：

  • 可以的話，請使用文字型 PDF 文件，而不是影像型文件。 掃描的 PDF 將視為影像處理。
  • 請為每個文件提供單一表單執行個體。
  • 針對填入表單，請使用欄位都已填畢的範例。
  • 使用在每個欄位中具有不同值的表單。
  • 如果您的表單影像品質較低，請使用較大的資料集。 例如，使用 10 到 15 個影像。

支援的語言和地區設定

如需支援語言的完整清單，請參閱我們的語言支援—自訂模型頁面。

下一步

• 使用 Document Intelligence Studio 嘗試處理自己的表單和文件。

• 完成 Document Intelligence 快速入門，並開始以您選擇的開發語言來建立文件處理應用程式。