Modèles personnalisés composés Intelligence documentaire

Ce contenu s’applique à : v4.0 (GA) | Versions précédentes : v3.1 (GA) v3.0 (GA) v2.1 (GA)

::: moniker-end

Important

L’opération model compose v4.0 2024-11-30 (GA) ajoute un classifieur formé explicitement au lieu d’un classifieur implicite pour l’analyse. Pour la version précédente du modèle composé, consultez Modèles personnalisés composés v3.1. Si vous utilisez actuellement des modèles composés, envisagez d’effectuer une mise à niveau vers la dernière implémentation.

Qu’est-ce qu’un modèle composé ?

Avec les modèles composés, vous pouvez regrouper plusieurs modèles personnalisés dans un modèle composé qui est appelé avec un ID de modèle unique. Par exemple, votre modèle composé peut inclure des modèles personnalisés qui sont entraînés pour analyser vos approvisionnements, vos équipements et vos bons de commande de mobilier. Au lieu d’essayer de sélectionner manuellement le modèle approprié, vous pouvez utiliser un modèle composé pour déterminer le modèle personnalisé approprié pour chaque analyse et extraction.

Pour certains scénarios, il est d’abord nécessaire de classer le document, puis de l’analyser avec le modèle le mieux adapté pour extraire les champs du modèle. Cela peut inclure les scénarios dans lesquels un utilisateur charge un document, mais où le type de document n’est pas explicitement connu. Cela peut également s’appliquer lorsque plusieurs documents sont analysés ensemble dans un seul fichier et que ce dernier est envoyé pour traitement. Votre application doit ensuite identifier les documents de composant et sélectionner le meilleur modèle pour chaque document.

Dans les versions précédentes, l’opération model compose a effectué une classification implicite pour déterminer le modèle personnalisé qui représente le mieux le document envoyé. L’implémentation 2024-11-30 (GA) de l’opération model compose remplace la classification implicite des versions antérieures par une étape de classification explicite et ajoute le routage conditionnel.

Avantages de la nouvelle opération de composition de modèles

La nouvelle opération model compose vous oblige à entraîner un classifieur explicite et offre plusieurs avantages.

• Amélioration incrémentielle continue. Vous pouvez améliorer de façon cohérente la qualité du classifieur en ajoutant d’autres échantillons et en améliorant de façon incrémentielle la classification. Ce réglage précis garantit que vos documents sont toujours acheminés vers le modèle approprié pour l’extraction.

• Contrôle complet du routage. En ajoutant un routage basé sur la confiance, vous fournissez un seuil de confiance pour le type de document et la réponse de classification.

• Ignorez les types de documents spécifiques au document au cours de l’opération. Les implémentations antérieures de l’opération model compose ont sélectionné le meilleur modèle d’analyse pour l’extraction en fonction du score de confiance même si les scores de confiance les plus élevés étaient relativement faibles. En fournissant un seuil de confiance ou en ne mappant pas explicitement un type de document connu de la classification à un modèle d’extraction, vous pouvez ignorer des types de documents spécifiques.

• Analysez plusieurs instances du même type de document. Lorsqu’elle est associée à l’option splitMode du classifieur, l’opération model compose peut détecter plusieurs instances du même document dans un fichier et fractionner ce dernier pour traiter chaque document indépendamment. Utiliser splitMode permet de traiter plusieurs instances d’un document dans une seule requête.

• Prise en charge des fonctionnalités complémentaires. Vous pouvez également spécifier des fonctionnalités complémentaires, telles que les champs de requête ou les codes à barres, comme paramètres du modèle d’analyse.

• Augmentation du maximum de modèles personnalisés affectés pour 500. La nouvelle implémentation de l’opération model compose vous permet d’affecter jusqu’à 500 modèles personnalisés formés à un modèle composé unique.

Comment utiliser la composition de modèle

• Commencez par collecter des échantillons de tous les documents nécessaires, y compris des échantillons contenant des informations qui doivent être extraites ou ignorées.

• Entraînez un classifieur en organisant les documents dans les dossiers dont les noms correspondent au type de document que vous envisagez d’utiliser dans la définition de votre modèle composé.

• Enfin, entraînez un modèle d’extraction pour chacun des types de document que vous envisagez d’utiliser.

• Une fois vos modèles de classification et d’extraction entraînés, utilisez Document Intelligence Studio, les bibliothèques clientes ou l’API REST pour composer les modèles de classification et d’extraction dans un modèle composé.

Utilisez le paramètre splitMode pour contrôler le comportement de fractionnement de fichier :

• Aucun. Le fichier entier est traité comme un document unique.
• perPage. Chaque page du fichier est traitée comme un document distinct.
• auto. Le fichier est automatiquement divisé en documents.

Facturation et tarification

Les modèles composés sont facturés de la même façon que les modèles personnalisés individuels. La tarification dépend nombre de pages analysées par le modèle d’analyse en aval. La facturation dépend du prix de l’extraction des pages acheminées vers un modèle d’extraction. Outre la classification explicite, des frais de classification de toutes les pages du fichier d’entrée s’ajoutent. Pour plus d’informations, consultez la page Tarification d’Intelligence documentaire.

Options de développement

Intelligence documentaire v4.0:2024-11-30 (GA) prend en charge les outils, applications et bibliothèques suivants :

Fonctionnalité	Ressources
Modèle personnalisé	• Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK
Modèle composé	• Document Intelligence Studio • REST API • C# SDK • Java SDK • JavaScript SDK • Python SDK

Étapes suivantes

Apprenez à créer et à composer des modèles personnalisés :

Générer un modèle personnaliséComposer des modèles personnalisés