Dokumentinformation består av anpassade modeller

Det här innehållet gäller för:🟩v4.0 (GA) | Tidigare versioner:🟦v3.1 (GA)🟥v3.0 (dras tillbaka)🟥v2.1 (dras tillbaka)

Det här innehållet gäller för:🟩v3.1 (GA) | Senaste versionen:🟪v4.0 (GA) | Tidigare versioner:🟦v3.0🟦v2.1

Det här innehållet gäller för:🟥v3.0 (dras tillbaka) | Senaste versioner:🟪v4.0 (GA)🟪v3.1 (GA) | Tidigare version:🟥v2.1 (dras tillbaka)

Det här innehållet gäller för:🟥v2.1 | Senaste versionen:🟪v4.0 (GA)

Så här använder du modellsammanfattning

• Börja med att samla in exempel på alla dokument som behövs, inklusive exempel med information som ska extraheras eller ignoreras.

• Träna en klassificerare genom att organisera dokumenten i mappar där mappnamnen är den dokumenttyp som du tänker använda i din sammansatta modelldefinition.

• Träna slutligen en extraheringsmodell för var och en av de dokumenttyper som du tänker använda.

• När dina klassificerings- och extraheringsmodeller har tränats använder du Document Intelligence Studio, klientbibliotek eller REST-API :et för att skapa klassificerings- och extraheringsmodellerna i en sammansatt modell.

Använd parametern splitMode för att styra fildelningsbeteendet:

• Ingen. Hela filen behandlas som ett enda dokument.
• perPage. Varje sida i filen behandlas som ett separat dokument.
• auto. Filen delas automatiskt upp i dokument.

Fakturering och prissättning

Sammansatta modeller faktureras på samma sätt som enskilda anpassade modeller. Prissättningen baseras på antalet sidor som analyseras av den underordnade analysmodellen. Faktureringen baseras på priset för extrahering av de sidor som skickas till en extraheringsmodell. Med tillägg av de specifika avgifterna för klassificering tillkommer kostnader vid klassificeringen av alla sidor i indatafilen. Mer information finns på sidan med priser för dokumentinformation.

Använda modellkomponeringsoperationen

• Börja med att skapa en lista över alla modell-ID:t som du vill skapa i en enda modell.

• Skapa modellerna i ett enda modell-ID med hjälp av Studio-, REST-API:et eller klientbiblioteken.

• Använd det sammansatta modell-ID:t för att analysera dokument.

Fakturering

Sammansatta modeller faktureras på samma sätt som enskilda anpassade modeller. Prissättningen baseras på antalet sidor som analyseras. Faktureringen baseras på priset för extrahering av de sidor som skickas till en extraheringsmodell. Mer information finns på sidan med priser för dokumentinformation.

• Det finns ingen ändring i prissättningen för att analysera ett dokument med hjälp av en enskild anpassad modell eller en sammansatt anpassad modell.

Funktioner för sammansatta modeller

• Custom template- och custom neural-modeller kan komponeras samman till en enda modell som sträcker sig över flera API-versioner.

• Svaret innehåller en docType egenskap som anger vilken av de sammansatta modellerna som användes för att analysera dokumentet.

• För custom template modeller kan den sammansatta modellen skapas med varianter av en anpassad mall eller olika formulärtyper. Den här åtgärden är användbar när inkommande formulär tillhör en av flera mallar.

• För custom neural modeller är bästa praxis att lägga till alla olika varianter av en enda dokumenttyp i en enda träningsdatauppsättning och träna på anpassad neural modell. Åtgärden model compose passar bäst för scenarier när du har dokument av olika typer som skickas för analys.

Skapa modellgränser

• Med åtgärden model compose kan du tilldela upp till 500 modeller till ett enda modell-ID. Om antalet modeller som jag vill skapa överskrider den övre gränsen för en sammansatt modell kan du använda något av följande alternativ:

  • Klassificera dokumenten innan du anropar den anpassade modellen. Du kan använda read-modellen och skapa en klassificering baserat på den extraherade texten från dokumenten och vissa fraser med hjälp av källor som kod, reguljära uttryck eller sökning.

  • Om du vill extrahera samma fält från olika strukturerade, halvstrukturerade och ostrukturerade dokument kan du överväga att använda den anpassade neurala modellen för djupinlärning. Läs mer om skillnaderna mellan den anpassade mallmodellen och den anpassade neurala modellen.

• Att analysera ett dokument med hjälp av sammansatta modeller är identiskt med att analysera ett dokument med hjälp av en enda modell. Resultatet Analyze Document returnerar en docType egenskap som anger vilken av de komponentmodeller som du valde för att analysera dokumentet.

• Operationen model compose är för närvarande endast tillgänglig för anpassade modeller som tränats med etiketter.

Kompatibilitet för sammansatt modell

• Om du vill skapa en modell som tränats med en tidigare version av API:et (v2.1 eller tidigare) tränar du en modell med v3.0-API:et med samma märkta datauppsättning. Tillägget säkerställer att v2.1-modellen kan bestå av andra modeller.

• Med modeller som består av v2.1 av API:et kommer fortsatt att stödjas och kräver inga uppdateringar.

Document Intelligence v4.0:2024-11-30 (GA) stöder följande verktyg, program och bibliotek:

Document Intelligence v3.1:2023-07-31 (GA) stöder följande verktyg, program och bibliotek:

Document Intelligence v3.0:2022-08-31 (GA) stöder följande verktyg, program och bibliotek:

Document Intelligence v2.1 stöder följande resurser: