Analisi dei documenti

L'analisi dei documenti usa tecniche di ricerca all'avanguardia per estrarre e visualizzare dati strutturati da un'ampia gamma di tipi di documento, tra cui file PDF, immagini, documenti di Word (DOC/DOCX) e file di PowerPoint (PPT/PPTX). È progettato per gestire layout complessi, ad esempio tabelle, grafici e contenuto di immagini di testo miste.

L'analisi dei documenti è disponibile tramite l'interfaccia di Agent Bricks, in SQL e con l'API REST.

Crea un agente di parsing dei documenti nell'interfaccia utente

Requisiti

• Un'area di lavoro che include quanto segue:
  • Calcolo serverless attivato. Consulta Requisiti di calcolo serverless.
  • Catalogo Unity abilitato. Vedere Abilitare un'area di lavoro per il Catalogo Unity.
  • Accesso a un criterio di utilizzo serverless con un budget diverso da zero.
• Questa funzione è disponibile solo in alcune aree, vedere Disponibilità delle funzioni di intelligenza artificiale.
  • La ai_parse_document funzione è disponibile anche per le aree di lavoro con il componente aggiuntivo Sicurezza e conformità avanzata.

Usare Analisi documenti per analizzare i documenti e visualizzare la relativa struttura.

1. Vai all'icona nel riquadro di navigazione a sinistra della tua area di lavoro.
2. Fare clic su Crea agente>Analisi documenti.
3. Selezionare il documento di origine. È possibile scegliere di caricare un file o selezionare uno da un catalogo di Catalogo Unity esistente. I formati supportati includono: PDF, immagini, DOC/DOCX e PPT/PPTX.
4. Fare clic su Analizza documento.

L'analisi del documento può richiedere alcuni minuti. Al termine, Analisi documento mostra il documento di origine a sinistra e il documento analizzato a destra. È possibile scegliere di visualizzare il documento analizzato come testo formattato o JSON non elaborato.

Elaborare e interrogare i risultati

Per visualizzare la ai_parse_document query ed eseguirla in altri documenti, fare clic su Usa agente e scegliere di eseguire la query dall'editor SQL o dal notebook. È possibile modificare la query in modo che punti al volume o alla tabella in cui si trovano i documenti.

Per preparare l'output analizzato per il recupero (RAG), usare ai_prep_search (Beta) downstream.

Parsi i documenti in SQL

Chiama ai_parse_document SQL per analizzare i documenti su larga scala:

SELECT
  ai_parse_document(
    content,
    map('version', '2.0')
  ) AS parsed
FROM READ_FILES('/Volumes/my_catalog/my_schema/my_documents', format => 'binaryFile');

Vedi il ai_parse_document riferimento SQL.

Analizzare i documenti con l'API REST

Usa l'API REST per analizzare documenti da applicazioni, servizi e flussi di lavoro di automazione. Consulta la documentazione dell'API REST per riferimento.

ai_parse_document Le richieste API REST sono limitate a 100 pagine per documento.

Il limite di frequenza predefinito per le ai_parse_document richieste REST API è di 250 richieste al minuto per ogni spazio di lavoro. Contatta il team dell’account Databricks per richiedere un limite più alto.

ai_parse_document legge il proprio input da un volume di Unity Catalog. Il seguente esempio carica un PDF locale su un volume con l'API File, poi lo analizza.

Per prima cosa, carica il documento in un volume:

curl -X PUT "$DATABRICKS_HOST/api/2.0/fs/files/Volumes/my_catalog/my_schema/my_volume/invoice.pdf?overwrite=true" \
     -H "Authorization: Bearer $DATABRICKS_TOKEN" \
     -H "Content-Type: application/octet-stream" \
     --data-binary @invoice.pdf

Poi analizza il documento caricato passando il suo percorso di volume come content:

curl -X POST "$DATABRICKS_HOST/api/2.0/ai-functions/ai-parse-document" \
     -H "Authorization: Bearer $DATABRICKS_TOKEN" \
     -H "Content-Type: application/json" \
     -d '{
  "content": "/Volumes/my_catalog/my_schema/my_volume/invoice.pdf"
}'

Limitations

Vedere ai_parse_document limitazioni.