提取概览

Document AI 提供多种产品，可针对不同的用例从文档中提取信息：

• 表单解析器

• 自定义提取器，提供三种不同的建模类型：

  • 基础模型
  • 基于自定义模型
  • 基于自定义模板

• 布局解析器

Form Parser

Form Parser 会提取键值对 (KVP)、表格、选择标记（复选框）和通用字段，以增强提取功能并实现提取自动化。它可以直接提取最多 11 个通用实体和复选框。您未指定要使用表单解析器提取的字段（架构）。该模型会从文档的每个页面检测并返回感兴趣的实体。

自定义提取器

自定义提取器会提取您在架构中定义的实体，并提供三种建模选项：基于基础模型、基于自定义模型和基于自定义模板。由于基础模型在几乎没有训练数据的情况下也能取得理想的效果，因此我们建议您先从基础模型入手，然后根据需要尝试其他选项。基础模型可根据数据集中最多 5 个标记的文档进行零到几次的预测，并根据数据集中超过 10 个标记的文档进行微调预测。

训练方法		文档示例	文档布局变体	自由格式文本或段落	符合正式版质量要求的训练文档数量（取决于变异性）
微调模型和基础模型（生成式 AI）。		合同、服务条款、账单、银行对账单、提货单、工资单。	从高到低（首选）。	高。	中等：0-50 多个文档。
自定义模型。	模型。	不同年份或不同供应商的布局不同的类似表单（例如 W9）。	中低。	低。	高：10-100 多个文档。
	模板。	采用固定布局的税表（例如表单 941 和 709）。	无。	低。	低（3 份文档）。

由于基础模型通常需要的训练文档较少，因此建议将其作为所有变量布局的首选。

布局解析器

注意： 布局解析器目前处于公开预览版阶段

布局解析器可将各种格式的文档转换为结构化表示法，使段落、表格、列表等内容以及标题、页眉和页脚等结构元素变得可访问，并创建内容感知数据块，以便在各种生成式 AI 和发现应用中检索信息。