Amazon Textract Insights从混合文档包中提取字段
由 WORLDTECH 译自英文。事实、数字、名称和来源均与英文原文一致。 English

亚马逊推出了Textract Insights(Amazon Textract Insights)这一托管服务,可借助通俗的文字描述,从扫描文档和混合文档包中提取字段。亚马逊称,每个提取出的值都附有置信度评分,并标注其来源页面。
服务功能
用户在蓝图中列出所需信息。蓝图采用JSON Schema格式,其中每个字段都附有查找内容的描述。每个字段还需标明其内容是逐字从页面中读取,还是根据文档内容推断得出。亚马逊称,该服务无需训练模型。
亚马逊以AWS公共蓝图作为起点,涵盖W-2表、Form 1040、Form 1098、护照和出生证明等常见文件。企业也可为自身的文件编写蓝图。
处理混合文档包
亚马逊认为,核心难点在于混合文档包,例如理赔文件和入职资料,它们将印刷表格、密集表格、扫描收据和自由文本以不固定的顺序混合在一起。根据这一新方法,用户从Amazon S3存储桶提交一个最多3,000页的文件,并开启拆分功能。服务会将其拆分为逻辑上的子文档,把每份子文档分配给对应的蓝图,并返回提取出的字段。
亚马逊以一份抵押贷款文件为例:一个26页的PDF,其中包含W-2表、工资单、银行对账单以及贷款专员的手写备注。项目设置完成后,只需一次StartDocumentInsights调用即可完成处理。
替代方案及其局限
亚马逊将该服务与两种常见方案进行了对比。一种是自定义流程,包括光学字符识别、拆分、分类、基础模型提示和人工复核等环节,需要企业自行搭建和运营。另一种是通用大型语言模型,它能给出流畅的回答,但亚马逊表示,此类模型无法可靠地指明来源页面,也不提供置信度评分,因此难以判断哪些值可以自动采纳。
待解问题
- 置信度评分与真实文档中的实际提取错误之间的吻合程度如何?
- 在3,000页的上限下,该服务的费用是多少?