AWS объявила об общей доступности Amazon Textract Insights - генеративной функции Amazon Textract с собственным новым API. Об этом сообщает блог AWS Machine Learning.
Что умеет сервис
Задачу извлечения описывают в blueprint - это схема JSON Schema, где у каждого поля есть описание на обычном языке. У поля также указан тип вывода: значение либо считывается со страницы дословно, либо выводится из содержания документа. AWS предлагает готовые публичные blueprint для распространённых документов: W-2, Form 1040, Form 1098, паспорта и свидетельства о рождении. Для бумаг, характерных именно для вашей компании, можно написать собственные.
Если приходят смешанные пакеты, в один проект добавляют шаблоны для всех ожидаемых категорий документов. Затем из своего хранилища Amazon S3 загружают один файл объёмом до 3000 страниц и включают деление. Сервис разбивает файл на логические подчинённые документы, сопоставляет каждый с blueprint, извлекает поля и записывает результат обратно в ваш бакет. В качестве примера AWS приводит 26-страничную заявку на ипотеку: в ней справка W-2, расчётные листки, банковские выписки и рукописные заметки кредитного специалиста. Всё это обрабатывается одним вызовом StartDocumentInsights.
Уверенность и прослеживаемость
Каждое значение приходит с оценкой уверенности и привязкой к источнику: страницей и рамкой, откуда оно взято. Это верно и для явных полей, и для выведенных. Проверяющий или аудитор может сверить любой результат с оригинальной страницей. AWS подаёт это как способ автоматизировать документы, которые раньше уходили на ручную проверку, оставляя человека там, где нужно суждение.
Сервис оценивала компания Symbeo, входящая в CorVel, - на медицинских счетах и формах, которые приходят в самых разных форматах. Вице-президент по информационным системам Symbeo сказал, что команда смогла описывать поля обычным языком и сосредоточить проверку на значениях с низкой уверенностью. Функция деления Symbeo тоже интересна, но в работу пока не внедрена.
Обновление движка Core
AWS также обновила движок чтения Amazon Textract Core. Выросла точность, улучшилась работа с плотными таблицами и рукописным текстом, а для DetectDocumentText и AnalyzeDocument поддерживаются 40 языков. Существующие API не изменились. Core теперь доступен в Азиатско-Тихоокеанском регионе (Токио) и в Европе (Цюрих), и обработка внутри региона работает в 18 регионах AWS. Insights в этих двух регионах пока недоступен.
Работа с данными
Проекты и blueprint шифруются в состоянии покоя ключами, которыми владеет AWS, или вашим управляемым клиентом ключом KMS, если вы задали его при создании. Промежуточные данные задания временные и удаляются по его завершении. Insights использует межрегиональный вывод: запросы направляются на вычислительные мощности в той географической зоне, откуда пришли. Например, запросы из США остаются в США. API Core обрабатывают данные в том регионе, который вы вызываете.
Ограничения и стоимость
На вход принимаются PDF, PNG, JPEG и TIFF. Insights работает с английским, французским, немецким, итальянским, португальским и испанским языками. Цена считается за страницу, а не за токен, без минимальных обязательств. AWS советует подбирать порог приёмки на репрезентативной выборке собственных документов.