Composición de modelos personalizados

estilo de énfasis

Este contenido se aplica a: v4.0 (GA) | Versiones anteriores: v3.1 (GA) v3.0 (GA) v2.1 (GA)

Importante

El comportamiento de redacción de modelos se ha cambiado para api-version=2024-11-30 (GA). Para más información, vea Modelos personalizados redactados. El comportamiento siguiente solo se aplica a la versión v3.1 y versiones anteriores.

Un modelo compuesto se crea tomando una colección de modelos personalizados y asignándolos a un único id. de modelo. Puede asignar hasta 200 modelos personalizados entrenados a un único id. de modelo compuesto. Cuando se envía un documento a un modelo compuesto, el servicio realiza un paso de clasificación para decidir qué modelo personalizado representa con exactitud el formulario presentado para el análisis. Los modelos compuestos resultan útiles al entrenar varios modelos y se quieren agrupar para analizar tipos de formulario parecidos. Por ejemplo, el modelo compuesto puede incluir modelos personalizados entrenados para analizar sus pedidos de compra de suministros, equipos y mobiliario. En lugar de intentar seleccionar manualmente el modelo adecuado, puede usar un modelo compuesto para determinar el modelo personalizado adecuado para cada análisis y extracción.

Para más información, consulte Modelos personalizados compuestos.

En este artículo descubrirá cómo crear y usar modelos personalizados compuestos para analizar los formularios y documentos.

Requisitos previos

Para comenzar, necesitará los recursos siguientes:

• Una suscripción de Azure. Puede crear una suscripción de Azure gratuita.

• Una instancia de Documento de inteligencia. Una vez que tenga la suscripción de Azure, cree un recurso de Inteligencia de documentos en Azure Portal para obtener la clave y el punto de conexión. Si tiene un recurso de Inteligencia de documentos existente, vaya directamente a la página del recurso. Puede usar el plan de tarifa gratis (F0) para probar el servicio y actualizarlo más adelante a un plan de pago para producción.

  1. Una vez implementado el recurso, seleccione Ir al recurso.

  2. Copie los valores de Claves y punto de conexión de Azure Portal y péguelos donde le resulte más cómodo; por ejemplo, el Bloc de notas de Microsoft. Necesitará los valores de punto de conexión y clave para conectar la aplicación a la API de Inteligencia de documentos.

Sugerencia

Para obtener más información, consulte Creación de un recurso de Documento de inteligencia.

• Una cuenta de almacenamiento de Azure. Si no sabe cómo crear una cuenta de almacenamiento de Azure, siga el inicio rápido de Azure Storage para Azure Portal. Puede usar el plan de tarifa gratis (F0) para probar el servicio y actualizarlo más adelante a un plan de pago para producción.

Creación de los modelos personalizados

En primer lugar, necesitará un conjunto de modelos personalizados para componer. Puede usar las bibliotecas cliente, API de REST o Document Intelligence Studio. Los pasos son los siguientes:

• Ensamblado del conjunto de datos de entrenamiento
• Carga del conjunto de entrenamiento en Azure Blob Storage
• Entrenamiento de los modelo personalizados

Ensamblado del conjunto de datos de entrenamiento

La construcción de un modelo personalizado comienza con el establecimiento de su conjunto de datos de entrenamiento. Necesitará un mínimo de cinco formularios completados del mismo tipo para su conjunto de datos de ejemplo. Pueden ser de distintos tipos de archivo (jpg, png, pdf, tiff) y contener texto y escritura a mano. Los formularios deben seguir los requisitos de entrada de Documento de inteligencia.

Sugerencia

Siga estas sugerencias para optimizar el conjunto de datos para el entrenamiento:

• Si es posible, use documentos PDF de texto en lugar de documentos basados en imágenes. Los archivos PDF digitalizados se tratan como imágenes.
• En el caso de los formularios rellenados, use ejemplos en los que estén todos los campos rellenados.
• Use formularios con valores distintos en cada campo.
• Si las imágenes de los formularios son de menor calidad, use un conjunto de datos más grande (con entre 10 y 15 imágenes, por ejemplo).

Consulte Creación de un conjunto de datos de entrenamiento para ver sugerencias sobre cómo recopilar los documentos de entrenamiento.

Carga del conjunto de datos de entrenamiento

Una vez recopilado un conjunto de documentos de entrenamiento, deberá cargar los datos de entrenamiento en un contenedor de Azure Blob Storage.

Si desea usar datos etiquetados manualmente, también tendrá que cargar los archivos .labels.json y .ocr.json correspondientes a los documentos de entrenamiento.

Entrenamiento del modelo personalizado

Al entrenar su modelo con datos etiquetados, el modelo usa un aprendizaje supervisado para extraer los valores de interés, mediante los formularios etiquetados que se proporcionan. Los datos etiquetados derivan en modelos con mejor rendimiento y pueden generar modelos que funcionen con formularios complejos o formularios que contengan valores sin claves.

Documento de inteligencia usa la API del modelo de diseño pregenerados para aprender los tamaños y las posiciones esperados de los elementos de texto tipográficos y manuscritos, y para extraer tablas. A continuación, usa etiquetas especificadas por el usuario para aprender las asociaciones clave-valor y las tablas de los documentos. Se recomienda usar cinco formularios etiquetados manualmente del mismo tipo (la misma estructura) para empezar a entrenar un nuevo modelo. Después, agregue más datos etiquetados, según sea necesario, para mejorar la precisión del modelo. Documento de inteligencia permite entrenar un modelo para extraer pares de valores clave y tablas mediante funcionalidades de aprendizaje supervisado.

Document Intelligence Studio

Para crear modelos personalizados, empiece por configurar el proyecto:

1. En la página principal de Studio, seleccione Crear nuevo en la tarjeta Modelo personalizado.

2. Use el comando ➕ Crear un proyecto para iniciar el asistente para la configuración del nuevo proyecto.

3. Escriba los detalles del proyecto, seleccione la suscripción y el recurso de Azure y el contenedor de Azure Blob Storage que contiene los datos.

4. Revise, envíe la configuración y cree el proyecto.

Al crear los modelos personalizados, es posible que tenga que extraer colecciones de datos de los documentos. Las colecciones pueden aparecer en uno de estos dos formatos. usando tablas como patrón visual:

• Recuento dinámico o variable de valores (filas) para un conjunto determinado de campos (columnas)

• Colección específica de valores para un conjunto determinado de campos (columnas o filas)

Consulte Studio de Documento de inteligencia: etiquetado como tablas

REST API

En algunos escenarios, el entrenamiento con etiquetas conduce a un mejor rendimiento. Para realizar el entrenamiento con etiquetas, debe disponer de archivos de información de etiquetas especiales (<nombreDeArchivo>.pdf.labels.json) en el contenedor de almacenamiento de blobs junto con los documentos de entrenamiento.

Los archivos de etiqueta contienen asociaciones de clave-valor que un usuario escribe manualmente y que son necesarias para el entrenamiento de datos etiquetados. Sin embargo, no todos los archivos de origen deben tener un archivo de etiqueta correspondiente. Los archivos de origen sin etiquetas se tratarán como documentos de entrenamiento ordinarios. Se recomiendan cinco o más archivos etiquetados para un entrenamiento confiable. Puede usar una herramienta de interfaz de usuario como Studio de Documento de inteligencia para generar estos archivos.

Los archivos de etiqueta contienen asociaciones de clave-valor que un usuario especificó manualmente. Los archivos son necesarios para el entrenamiento con datos etiquetados, pero no todos los archivos de origen deben tener un archivo de etiqueta correspondiente. Los archivos de origen sin etiquetas se tratarán como documentos de entrenamiento ordinarios. Se recomiendan cinco o más archivos etiquetados para un entrenamiento confiable. Puede usar una herramienta de interfaz de usuario como Studio de Documento de inteligencia para generar estos archivos.

Una vez que tenga los archivos de etiqueta, puede incluirlos llamando al método de entrenamiento con el parámetro useLabelFile establecido en true.

Bibliotecas de cliente

En algunos escenarios, el entrenamiento con etiquetas conduce a un mejor rendimiento. Para realizar el entrenamiento con etiquetas, debe disponer de archivos de información de etiquetas especiales (<nombreDeArchivo>.pdf.labels.json) en el contenedor de almacenamiento de blobs junto con los documentos de entrenamiento. Cuando los tenga, puede llamar al método de entrenamiento con el parámetro useTrainingLabels establecido en true.

Lenguaje	Método
C#	StartBuildModel
Java	beginBuildModel
JavaScript	beginBuildModel
Python	begin_build_document_model

Creación de un modelo compuesto

Nota

la operación create compose model solo está disponible para los modelos personalizados entrenados con etiquetas. Al intentar crear modelos compuestos sin etiquetar se producirá un error.

Con la operación de creación de modelo compuesto, puede crear hasta 100 modelos personalizados entrenados con un único identificador de modelo. Al analizar documentos con un modelo compuesto, Documento de inteligencia primero clasifica el formulario que ha enviado, luego elige el mejor modelo asignado que coincida y, por último, devuelve los resultados de ese modelo. Esta operación resulta útil cuando los formularios de entrada pueden pertenecer a una de varias plantillas.

Document Intelligence Studio

Una vez completado correctamente el proceso de entrenamiento, puede empezar a crear el modelo compuesto. Estos son los pasos para crear y usar modelos compuestos:

• Recopilación de los identificadores de modelo personalizado
• Composición de los modelos personalizados
• Análisis de documentos
• Administración de los modelos compuestos

Recopilación de los identificadores de modelo

Al entrenar modelos mediante Studio de Documento de inteligencia, el identificador de modelo se encuentra en el menú Modelos de un proyecto:

Composición de los modelos personalizados

1. Seleccione un proyecto de modelos personalizados.

2. En el proyecto, seleccione el elemento de menú Models.

3. En la lista resultante de modelos, seleccione los modelos que desea componer.

4. Elija el botón Compose (Componer) en la esquina superior izquierda.

5. En la ventana emergente, asígnele un nombre al nuevo modelo compuesto y seleccione Compose (Componer).

6. Una vez finalizada la operación, el modelo recién compuesto aparecerá en la lista.

7. Una vez que el modelo esté listo, use el comando Probar para validarlo con los documentos de prueba y observar los resultados.

Análisis de documentos

La operación Analizar del modelo personalizado requiere que proporcione el parámetro modelID en la llamada a Documento de inteligencia. Debe proporcionar el identificador de modelo compuesto para el parámetro modelID de las aplicaciones.

Administración de los modelos compuestos

Puede administrar los modelos personalizados a lo largo de los ciclos de vida:

• Pruebe y valide nuevos documentos.
• Descargue el modelo para usarlo en las aplicaciones.
• Elimine el modelo cuando se complete su ciclo de vida.

REST API

Una vez completado correctamente el proceso de entrenamiento, puede empezar a crear el modelo compuesto. Estos son los pasos para crear y usar modelos compuestos:

• Composición de los modelos personalizados
• Análisis de documentos
• Administración de los modelos compuestos

Composición de los modelos personalizados

La API de modelos compuestos acepta una lista de los id. de modelos que se van a componer.

Análisis de documentos

Para hacer una solicitud de análisis de documentos, use un nombre de modelo único en los parámetros de la solicitud.

Administración de los modelos compuestos

Puede administrar modelos personalizados a través de sus necesidades de desarrollo, como copiar, enumerar y eliminar los modelos.

Bibliotecas de cliente

Una vez completado correctamente el proceso de entrenamiento, puede empezar a crear el modelo compuesto. Estos son los pasos para crear y usar modelos compuestos:

• Creación de un modelo compuesto
• Análisis de documentos
• Administración de los modelos compuestos

Creación de un modelo compuesto

Puede usar el lenguaje de programación que prefiera para crear un modelo compuesto:

Lenguaje de programación	Ejemplo de código
C#	Composición de modelos
Java	Composición de modelos
JavaScript	Modelo compuesto
Python	Creación de un modelo compuesto

Análisis de documentos

Una vez creado el modelo compuesto, puede usarlo para analizar formularios y documentos. Use el model ID compuesto y deje que el servicio decida cuál de sus modelos personalizados agregados se ajusta mejor en función del documento proporcionado.

Lenguaje de programación	Ejemplo de código
C#	Análisis de un documento con un modelo personalizado o compuesto mediante id. de modelo
Java	Análisis de un documento con un modelo personalizado o compuesto mediante id. de modelo
JavaScript	Análisis de un documento con un modelo personalizado o compuesto mediante id. de modelo
Python	Análisis de un documento con un modelo personalizado o compuesto mediante id. de modelo

Administración de los modelos compuestos

Puede administrar un modelo personalizado en cada fase de sus ciclos de vida. Puede copiar un modelo personalizado entre recursos, ver una lista de todos los modelos personalizados de su suscripción, recuperar información acerca de un modelo personalizado específico y eliminar modelos personalizados de su cuenta.

Lenguaje de programación	Ejemplo de código
C#	Copiar un modelo personalizado entre recursos de Documento de inteligencia
Java	Copiar un modelo personalizado entre recursos de Documento de inteligencia
JavaScript	Copiar un modelo personalizado entre recursos de Documento de inteligencia
Python	Copiar un modelo personalizado entre recursos de Documento de inteligencia

Magnífico. Ha aprendido los pasos para crear modelos personalizados y compuestos y usarlos en proyectos y aplicaciones de Documento de inteligencia.

Pasos siguientes

Pruebe uno de nuestros inicios rápidos de Documento de inteligencia:

Document Intelligence Studio

REST API

C#

Java

JavaScript

Python