Inteligencia documental compuesta por modelos personalizados

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

::: moniker-end

Importante

La operación model compose  v4.0 2024-11-30 (GA) agrega un clasificador entrenado explícitamente en lugar de un clasificador implícito para el análisis. Para la versión anterior del modelo compuesto, consulte Modelos personalizados compuestos v3.1. Si actualmente usa modelos compuestos, considere la posibilidad de actualizar a la implementación más reciente.

¿Qué es un modelo compuesto?

Con los modelos compuestos, puede agrupar varios modelos personalizados en un modelo compuesto llamado con un único identificador de modelo. 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.

Algunos escenarios requieren clasificar primero el documento y, a continuación, analizarlo con el modelo más adecuado para extraer los campos del modelo. Estos escenarios pueden incluir aquellos en los que un usuario carga un documento, pero el tipo de documento no se conoce explícitamente. Otro escenario puede ser cuando se examinan varios documentos conjuntamente en un solo archivo y este se envía para su procesamiento. A continuación, la aplicación debe identificar los documentos de componentes y seleccionar el mejor modelo para cada documento.

En versiones anteriores, la operación model compose realizó una clasificación implícita para decidir qué modelo personalizado representa mejor el documento enviado. La implementación 2024-11-30 (GA) de la operación model compose reemplaza la clasificación implícita de las versiones anteriores por un paso de clasificación explícita y agrega enrutamiento condicional.

Ventajas de la nueva operación de redacción del modelo

La nueva operación model compose requiere que entrene un clasificador explícito y proporciona varias ventajas.

• Mejora incremental continua. Puede mejorar de forma coherente la calidad del clasificador mediante la adición de más ejemplos y la mejora incremental de la clasificación. Este ajuste preciso garantiza que los documentos se enruten siempre al modelo adecuado para la extracción.

• Control completo sobre el enrutamiento. Al agregar un enrutamiento basado en confianza, se proporciona un umbral de confianza para el tipo de documento y la respuesta de clasificación.

• Omisión de tipos de documentos específicos del documento durante la operación. Las implementaciones anteriores de la operación model compose seleccionaron el mejor modelo de análisis para la extracción en función de la puntuación de confianza, incluso si las puntuaciones de confianza más altas eran relativamente bajas. Al proporcionar un umbral de confianza o no asignar explícitamente un tipo de documento conocido desde la clasificación a un modelo de extracción, puede omitir tipos de documentos específicos.

• Análisis de varias instancias del mismo tipo de documento. Cuando se empareja con la opción splitMode del clasificador, la operación model compose puede detectar varias instancias del mismo documento en un archivo y dividir el archivo para procesar cada documento de forma independiente. El uso de splitMode permite el procesamiento de varias instancias de un documento en una sola solicitud.

• Compatibilidad con las características del complemento. Características del complemento tales como campos de consulta o códigos de barras también se pueden especificar como parte de los parámetros del modelo de análisis.

• Máximo de modelos personalizados asignados expandido a 500. La nueva implementación de la operación model compose permite asignar hasta 500 modelos personalizados entrenados a un solo modelo compuesto.

Cómo usar la composición de modelos

• Empiece por recopilar ejemplos de todos los documentos necesarios, incluidos ejemplos con información que se debe extraer u omitir.

• Entrene un clasificador mediante la organización de los documentos en carpetas donde los nombres de carpeta son el tipo de documento que tiene previsto usar en la definición del modelo compuesto.

• Por último, entrene un modelo de extracción para cada uno de los tipos de documento que tenga previsto usar.

• Una vez entrenados los modelos de clasificación y extracción, use Document Intelligence Studio, bibliotecas cliente o la API REST para componer los modelos de clasificación y extracción en un modelo compuesto.

Use el parámetro splitMode para controlar el comportamiento de división de archivos:

• Ninguno. Todo el archivo se trata como un solo documento.
• perPage. Cada página del archivo se trata como un documento independiente.
• auto. El archivo se divide automáticamente en documentos.

Precios y facturación

Los modelos compuestos se facturan igual que los modelos personalizados individuales. Los precios se basan en el número de páginas analizadas por el modelo de análisis de bajada. La facturación se basa en el precio de extracción de las páginas enrutadas a un modelo de extracción. Con la adición de la clasificación explícita, se generan cargos por la clasificación de todas las páginas en el archivo de entrada. Para más información, consulte la página de precios de Documento de inteligencia.

Opciones de desarrollo

Documento de inteligencia v4.0:2024-11-30 (GA) es compatible con las siguientes herramientas, aplicaciones y bibliotecas:

Característica	Recursos
Modelo personalizado	• Estudio de Documento de inteligencia • API de REST • SDK de C# • SDK de Java • SDK de JavaScript • SDK de Python
Modelo compuesto	• Estudio de Documento de inteligencia • API de REST • SDK de C# • SDK de Java • SDK de JavaScript • SDK de Python

Pasos siguientes

Aprenda a crear y componer modelos personalizados:

Creación de un modelo personalizadoCompose custom models