Visão geral do extrator personalizado

O extrator personalizado extrai entidades de documentos de um tipo específico. Por exemplo, ele pode extrair os itens de um menu ou o nome e dados de contato de um currículo.

Visão geral

O objetivo do extrator personalizado é permitir que os usuários da Document AI criem soluções de extração de entidades personalizadas para novos tipos de documentos sem processadores pré-treinados disponíveis. O extrator personalizado inclui uma combinação de modelos de aprendizado profundo com reconhecimento de layout (para IA generativa e modelos personalizados) e modelos baseados em modelos.

Qual método de treinamento devo usar?

O extrator personalizado oferece suporte a uma ampla variedade de casos de uso com três modos diferentes.

Método de treinamento		Exemplos de documentos	Variação de layout do documento	Texto livre ou parágrafos	Número de documentos de treinamento para qualidade pronta para produção, dependendo da variabilidade
Ajuste e modelo de fundação (IA generativa).		Contrato, termos de serviço, fatura, extrato bancário, conhecimento de embarque e comprovantes de pagamento.	Da maior para a menor (preferencial).	Alto.	Média: de 0 a mais de 50 documentos.
Modelo personalizado.	Modelo.	Formulários semelhantes com variação de layout ao longo dos anos ou entre fornecedores (por exemplo, W9).	Baixa a média.	Baixa.	Alta: 10 a mais de 100 documentos.
	Modelo.	Formulários fiscais com um layout fixo (por exemplo, formulários 941 e 709).	Nenhuma.	Baixa.	Baixa (3 documentos).

Como os modelos de fundação geralmente exigem menos documentos de treinamento, eles são recomendados como a primeira opção para todos os layouts variáveis.

Pontuação de confiança

A pontuação de confiança informa o quanto o modelo associa cada entidade ao valor previsto. O valor fica entre zero e um. Quanto mais próximo de um, maior a confiança do modelo de que o valor corresponde à entidade. Isso permite que os usuários definam acionadores para revisão manual de entidades individuais quando o valor é baixo. Por exemplo, determinar se o texto em uma entidade é "Hello, world!" ou "HeIIo vvorld!"

Os benefícios dessa abordagem permitem identificar entidades individuais com baixa confiança, definir limites para quais previsões são usadas, selecionar o limite de confiança ideal e desenvolver novas estratégias para treinar modelos com maior precisão e pontuações de confiança.

Para mais informações sobre conceitos e métricas de avaliação, consulte Avaliar o desempenho.