Amazon Textract Insights liest Felder aus gemischten Dokumentpaketen

Amazon hat Textract Insights vorgestellt, einen verwalteten Dienst, der Felder aus gescannten Dokumenten und gemischten Paketen anhand von Beschreibungen in natürlicher Sprache herauslöst. Laut Amazon erhält jeder extrahierte Wert eine Konfidenzbewertung sowie einen Verweis auf die Seite, von der er stammt.
Was der Dienst leistet
Anwender legen in einer Vorlage, einem sogenannten Blueprint auf Basis von JSON Schema, fest, welche Informationen sie benötigen. Jedes Feld trägt eine Beschreibung in Alltagssprache, die angibt, wonach gesucht werden soll. Zusätzlich wird festgelegt, ob ein Wert wörtlich von der Seite übernommen oder aus dem Inhalt des Dokuments erschlossen wird. Ein Modelltraining sei nicht erforderlich, schreibt Amazon.
Als Ausgangspunkt nennt Amazon öffentliche AWS-Vorlagen für gängige Dokumente wie W-2, Form 1040, Form 1098, Reisepass und Geburtsurkunde. Unternehmen können außerdem eigene Vorlagen für ihre Unterlagen anlegen.
Gemischte Pakete als Kernproblem
Als zentrale Schwierigkeit beschreibt Amazon gemischte Pakete, etwa Schadenakten oder Onboarding-Unterlagen, die getippte Formulare, dichte Tabellen, eingescannte Belege und Fließtext in beliebiger Reihenfolge vereinen. Künftig reicht eine einzige Datei von bis zu 3.000 Seiten aus einem Amazon-S3-Bucket, bei aktivierter Aufteilung. Der Dienst zerlegt sie in logische Teildokumente, ordnet jedes der passenden Vorlage zu und liefert die extrahierten Felder zurück.
Als Beispiel nennt Amazon eine Hypothekenakte: eine einzige 26-seitige PDF-Datei mit W-2, Gehaltsabrechnungen, Kontoauszügen und handschriftlichen Notizen des Kreditsachbearbeiters. Ist das Projekt eingerichtet, genügt für die Verarbeitung ein einziger StartDocumentInsights-Aufruf.
Alternativen und ihre Grenzen
Amazon stellt den Dienst zwei gängigen Ansätzen gegenüber. Eine eigene Pipeline aus optischer Zeichenerkennung, Aufteilung, Klassifizierung, Prompt für ein Basismodell und Prüfschritt muss selbst gebaut und betrieben werden. Ein allgemeines großes Sprachmodell liefert zwar flüssige Antworten, nennt laut Amazon aber nicht verlässlich die Quellseite und keine Konfidenzbewertung, weshalb schwer zu entscheiden ist, welche Werte sich automatisch übernehmen lassen.
Offene Fragen
- Wie genau bildet die Konfidenzbewertung tatsächliche Fehler bei realen Dokumenten ab?
- Was kostet der Dienst bei der Obergrenze von 3.000 Seiten?