Modelos personalizados compostos pelo Document Intelligence

Esse conteúdo se aplica a: v4.0 (GA) | Versões anteriores: v3.1 (GA) v3.0 (GA) v2.1 (GA)

::: moniker-end

Importante

A operação v4.0 2024-11-30 (GA) model compose adiciona um classificador explicitamente treinado em vez de um classificador implícito para análise. Para ver a versão anterior do modelo composto, confira Modelos personalizados compostos v3.1. Se você estiver usando modelos compostos no momento, considere a possibilidade de atualizar para a implementação mais recente.

O que é um modelo composto?

Com os modelos compostos, você pode agrupar vários modelos personalizados em um modelo composto chamado com uma só ID de modelo. Por exemplo, seu modelo composto pode incluir modelos personalizados treinados para analisar suas ordens de compra de suprimentos, equipamentos e móveis. Em vez de tentar selecionar manualmente o modelo apropriado, você pode usar um modelo composto para determinar o modelo personalizado apropriado para cada análise e extração.

Alguns cenários exigem a classificação do documento primeiro e, em seguida, a análise do documento com o modelo mais adequado para extração dos campos do modelo. Esses cenários podem incluir aqueles em que um usuário carrega um documento, mas o tipo de documento não é explicitamente conhecido. Outro cenário pode ser quando vários documentos são digitalizados juntos em um só arquivo e o arquivo é enviado para processamento. Em seguida, seu aplicativo precisa identificar os documentos do componente e selecionar o melhor modelo para cada documento.

Nas versões anteriores, a operação model compose executava uma classificação implícita para decidir qual modelo personalizado representava melhor o documento enviado. A implementação 2024-11-30 (GA) da operação model compose substitui a classificação implícita das versões anteriores por uma etapa de classificação explícita e adiciona roteamento condicional.

Benefícios da operação de composição do novo modelo

A nova operação model compose exige que você treine um classificador explícito e oferece vários benefícios.

• Aprimoramento incremental contínuo. Você pode aprimorar a qualidade do classificador de maneira consistente adicionando mais amostras e aprimorando a classificação de maneira incremental. Esse ajuste garante que seus documentos sejam sempre encaminhados para o modelo certo para extração.

• Controle total sobre o roteamento. Ao adicionar o roteamento baseado em confiança, você fornece um limite de confiança para o tipo de documento e a resposta de classificação.

• Ignorar tipos específicos de documentos durante a operação. As implementações anteriores da operação model compose escolhiam o melhor modelo de análise para extração com base na pontuação de confiança, mesmo que as pontuações de confiança mais altas fossem relativamente baixas. Ao fornecer um limite de confiança ou não mapear explicitamente um tipo de documento conhecido da classificação para um modelo de extração, você pode ignorar tipos de documento específicos.

• Analisar várias instâncias do mesmo tipo de documento. Quando emparelhada com a opção splitMode do classificador, a operação model compose pode detectar várias instâncias do mesmo documento em um arquivo e dividir o arquivo para processar cada documento de modo independente. O uso de splitMode permite o processamento de várias instâncias de um documento em uma só solicitação.

• Suporte para recursos de complemento. Recursos de complemento como campos de consulta ou códigos de barras também pode ser especificados como parte dos parâmetros do modelo de análise.

• O número máximo de modelos personalizados atribuídos foi expandido para 500. A nova implementação da operação model compose permite atribuir até 500 modelos personalizados treinados a um só modelo composto.

Como usar a composição de modelo

• Comece coletando amostras de todos os documentos necessários, incluindo amostras com informações que devem ser extraídas ou ignoradas.

• Treine um classificador organizando os documentos em pastas, em que os nomes das pastas são o tipo de documento que você pretende usar na definição de modelo composto.

• Por fim, treine um modelo de extração para cada um dos tipos de documento que você pretende usar.

• Depois que os modelos de classificação e extração forem treinados, use o Estúdio da Informação de Documentos, as bibliotecas de clientes ou a API REST para compor os modelos de classificação e extração em um modelo composto.

Use o parâmetro splitMode para controlar o comportamento de divisão de arquivos:

• Nenhum. O arquivo inteiro é tratado como um só documento.
• perPage. Cada página do arquivo é tratada como um documento separado.
• auto. O arquivo é dividido automaticamente em documentos.

Cobrança e preços

Os modelos compostos são cobrados da mesma forma que os modelos personalizados individuais. O preço é baseado no número de páginas analisadas pelo modelo de análise downstream. A cobrança é baseada no preço de extração das páginas encaminhadas para um modelo de extração. Com a adição da classificação explícita, encargos são incorridos para a classificação de todas as páginas do arquivo de entrada. Para obter mais informações, confira a página de preços da Informação de Documentos.

Opções de desenvolvimento

O Document Intelligence v4.0:2024-11-30 (GA) oferece suporte às seguintes ferramentas, aplicativos e bibliotecas:

Recurso	Recursos
Modelo personalizado	• Estúdio da Informação de Documentos • API REST • SDK do C# • SDK do Java • SDK do JavaScript • SDK do Python
Modelo composto	• Estúdio da Informação de Documentos • API REST • SDK do C# • SDK do Java • SDK do JavaScript • SDK do Python

Próximas etapas

Saiba como criar e compor modelos personalizados:

Criar um modelo personalizadoCompor modelos personalizados