文档人工智能

它可以结合光学字符识别、布局分析、分类和语言模型。识别文本只是保留文档含义的一部分。

主要要点

• 保留布局和田间出处。
• 提取后验证含义。
• 测试不同的格式和不确定的情况。

确定文件是否已包含可用文本或需要 OCR。扫描可能会引入识别错误，而现有文本图层的阅读顺序仍然可能不正确。表、列、标题和脚注通常需要布局信息才能正确解释。将出处保留在田间或通道层面。页码、边界框和原始文本可帮助审阅者确认提取的值。避免以将数字与其行标签、单位或限定符断开连接的方式展平表格。根据文档和相关关系验证提取的字段。总计可以具有正确的数字类型，但包含错误的小数点。缺失的字段应该保持缺失或明确未知，而不是从合理的模式中填充。评估不同的文档格式、扫描质量、语言和不常见的布局。定义不确定字段如何进行审核以及如何存储更正。通过适当的访问、保留和删除控制（包括任何派生文本和嵌入）来保护私人文档。

1. 构建一个报告表，其中一列标记为“收入，千美元”，行值为 250。
2. 返回 Revenue_usd: 250 的提取会失去规模。如果列标签适用于该行，则解释的金额为 250,000 美元。
3. 保留原始单元格、标题和解释值，以便审阅者可以检查转换。

这个发明的表格说明了为什么文档结构比字符识别更重要。