Ringkasan pengekstrak kustom
Ekstraktor kustom mengekstrak entity dari dokumen dengan jenis tertentu. Misalnya, model ini dapat mengekstrak item dalam menu atau nama dan informasi kontak dari resume.
Ringkasan
Tujuan ekstraktor kustom adalah memungkinkan pengguna Document AI membuat solusi ekstraksi entitas kustom untuk jenis dokumen baru yang tidak memiliki pemroses terlatih sebelumnya. Ekstraktor kustom mencakup kombinasi model deep learning yang memahami tata letak (untuk AI generatif dan model kustom) serta model berbasis template.
Metode pelatihan mana yang harus saya gunakan?
Ekstraktor kustom mendukung berbagai kasus penggunaan dengan tiga mode yang berbeda.
| Metode pelatihan | Contoh dokumen | Variasi tata letak dokumen | Teks atau paragraf bentuk bebas | Jumlah dokumen pelatihan untuk kualitas siap produksi, bergantung pada variabilitas | |
|---|---|---|---|---|---|
| Model dasar dan penyesuaian (AI generatif). | Kontrak, persyaratan layanan, invoice, laporan mutasi bank, surat muatan kapal, slip gaji. | Tinggi ke Rendah (lebih disarankan). | Tinggi. | Sedang: 0-50+ dokumen. | |
| Model kustom. | Model. | Formulir serupa dengan variasi tata letak di seluruh tahun atau vendor (misalnya, W9). | Rendah hingga sedang. | Rendah. | Tinggi: 10-100+ dokumen. |
| Template. | Formulir pajak dengan tata letak tetap (misalnya, Formulir 941 dan 709). | Tidak ada. | Rendah. | Rendah (3 dokumen). | |
Karena model dasar biasanya memerlukan lebih sedikit dokumen pelatihan, model ini direkomendasikan sebagai opsi pertama untuk semua tata letak variabel.
Skor keyakinan
Skor keyakinan menunjukkan seberapa kuat model Anda mengaitkan setiap entity dengan nilai yang diprediksi. Nilainya antara nol dan satu, semakin dekat dengan satu, semakin tinggi keyakinan model bahwa nilai tersebut sesuai dengan entitas. Hal ini memungkinkan pengguna menetapkan pemicu untuk peninjauan manual setiap entitas jika nilainya rendah. Misalnya, menentukan apakah teks dalam entitas adalah "Hello, world!" atau "HeIIo vvorld!"
Manfaat pendekatan ini memungkinkan pendeteksian setiap entitas dengan tingkat keyakinan yang rendah, menetapkan nilai minimum untuk prediksi yang digunakan, memilih nilai minimum keyakinan yang optimal, dan pengembangan strategi baru untuk melatih model dengan akurasi dan skor keyakinan yang lebih tinggi.
Untuk informasi selengkapnya tentang konsep dan metrik evaluasi, lihat Mengevaluasi Performa