Belge Zekası özel modelleri

Bu içerik şunlar için geçerlidir: v4.0 (önizleme) | Önceki sürümler: v3.1 (GA) v3.0 (GA) v2.1 (GA)

Bu içerik şunlar için geçerlidir: v3.1 (GA) | En son sürüm: v4.0 (önizleme) | Önceki sürümler: v3.0 v2.1

Bu içerik şunlar için geçerlidir: v3.0 (GA) | En son sürümler: v4.0 (önizleme) v3.1 | Önceki sürüm: v2.1

Bu içerik şunlar için geçerlidir: v2.1 | En son sürüm: v4.0 (önizleme)

Özel belge modeli türleri

Özel belge modelleri, özel şablon veya özel form ve özel nöral veya özel belge modellerinden biri olmak üzere iki türden biri olabilir. Her iki model için etiketleme ve eğitim süreci aynıdır, ancak modeller aşağıdaki gibi farklılık gösterir:

Özel ayıklama modelleri

Özel ayıklama modeli oluşturmak için, bir belge veri kümesini ayıklanmasını istediğiniz değerlerle etiketleyip etiketlenmiş veri kümesinde modeli eğitin. Başlamak için aynı form veya belge türünün yalnızca beş örneğine ihtiyacınız vardır.

Özel sinir modeli

Özel sinirsel (özel belge) modeli, derin öğrenme modellerini ve büyük bir belge koleksiyonu üzerinde eğitilen temel modeli kullanır. Bu model daha sonra etiketli bir veri kümesiyle eğittiğinizde verilerinize ince ayarlar yapılır veya uyarlanır. Özel sinir modelleri, yapılandırılmış, yarı yapılandırılmış ve yapılandırılmamış belgelerden önemli veri alanlarını ayıklamayı destekler. İki model türü arasında seçim yaparken işlev gereksinimlerinizi karşılayıp karşılamadığını belirlemek için bir sinir modeliyle başlayın. Özel belge modelleri hakkında daha fazla bilgi edinmek için bkz. sinir modelleri.

Özel şablon modeli

Özel şablon veya özel form modeli, etiketlenmiş verileri ayıklamak için tutarlı bir görsel şablonu kullanır. Belgelerinizin görsel yapısındaki farklar modelinizin doğruluğunu etkiler. Anketler veya uygulamalar gibi yapılandırılmış formlar, tutarlı görsel şablonların örnekleridir.

Eğitim kümeniz, biçimlendirme ve düzenin bir belge örneğinden diğerine statik ve sabit olduğu yapılandırılmış belgelerden oluşur. Özel şablon modelleri anahtar-değer çiftlerini, seçim işaretlerini, tabloları, imza alanlarını ve bölgeleri destekler. Şablon modelleri ve desteklenen dillerden herhangi birindeki belgeler üzerinde eğitilebilir. Daha fazla bilgi için bkz. özel şablon modelleri.

Belgelerinizin dili ve ayıklama senaryoları özel sinir modellerini destekliyorsa, daha yüksek doğruluk için şablon modelleri üzerinde özel sinir modelleri kullanmanızı öneririz.

Giriş gereksinimleri

• En iyi sonuçları elde için belge başına tek bir net fotoğraf veya yüksek kaliteli tarama sağlayın.

• Desteklenen dosya biçimleri:

  Model	PDF	Resim: jpeg/jpg, png, bmp, tiff, heif	Microsoft Office: Word (docx), Excel (xlsx), PowerPoint (pptx)
  Okundu	✔	✔	✔
  Düzen	✔	✔	✔ (2024-02-29-preview, 2023-10-31-preview ve üzeri)
  Genel Belge	✔	✔
  Önceden oluşturulmuş	✔	✔
  Özel ayıklama	✔	✔
  Özel sınıflandırma	✔	✔	✔

  ✱ Microsoft Office dosyaları şu anda diğer modeller veya sürümler için desteklenmiyor.

• PDF ve TIFF için en fazla 2.000 sayfa işlenebilir (ücretsiz katman aboneliğiyle yalnızca ilk iki sayfa işlenir).

• Belgeleri analiz etmek için dosya boyutu ücretli (S0) katman için 500 MB ve ücretsiz (F0) katmanı için 4 MB'tır.

• Görüntü boyutları 50 x 50 piksel ile 10.000 piksel x 10.000 piksel arasında olmalıdır.

• PDF’leriniz parola korumalıysa göndermeden önce kilidi kaldırmanız gerekir.

• Ayıklanacak metnin en düşük yüksekliği 1024 x 768 piksel görüntü için 12 pikseldir. Bu boyut, inç başına 150 nokta olan yaklaşık 8nokta metnine karşılık gelir.

• Özel model eğitimi için eğitim verileri için en fazla sayfa sayısı özel şablon modeli için 500, özel sinir modeli için 50.000'dir.

• Özel ayıklama modeli eğitimi için eğitim verilerinin toplam boyutu şablon modeli için 50 MB ve sinir modeli için 1G-MB'tır.

• Özel sınıflandırma modeli eğitimi için eğitim verilerinin toplam boyutu en fazla 10.000 sayfadır 1GB .

En iyi eğitim verileri

Eğitim girişi verileri, herhangi bir makine öğrenmesi modelinin temelini oluşturur. Modelin kalitesini, doğruluğunu ve performansını belirler. Bu nedenle, Belge Yönetim Bilgileri projeniz için mümkün olan en iyi eğitim giriş verilerini oluşturmak çok önemlidir. Belge Zekası özel modelini kullandığınızda, kendi eğitim verilerinizi sağlarsınız. Modellerinizi etkili bir şekilde eğitmeye yardımcı olacak birkaç ipucu aşağıdadır:

• Mümkün olduğunda görüntü tabanlı PDF'ler yerine metin tabanlı kullanın. Resim tabanlı PDF'yi tanımlamanın bir yolu, belgede belirli bir metni seçmeyi denemektir. Metnin yalnızca tüm görüntüsünü seçebiliyorsanız, belge metin tabanlı değil görüntü tabanlıdır.

• Eğitim belgelerinizi her biçim için bir alt klasör (JPEG/JPG, PNG, BMP, PDF veya TIFF) kullanarak düzenleyin.

• Tüm kullanılabilir alanların tamamlandığı formları kullanın.

• Her alanda farklı değerlere sahip formlar kullanın.

• Resimleriniz düşük kaliteliyse daha büyük bir veri kümesi (beşten fazla eğitim belgesi) kullanın.

• Tek bir model mi yoksa tek bir modelde oluşturulmuş birden çok model mi kullanmanız gerektiğini belirleyin.

• Veri kümenizi, her klasörün benzersiz bir şablon olduğu klasörler halinde segmentlere ayırmayı göz önünde bulundurun. Klasör başına bir model eğitin ve elde edilen modelleri tek bir uç noktada oluşturun. Tek bir modelle analiz edilen farklı biçimlere sahip olduğunuzda model doğruluğu düşebilir.

• Formunuzda biçimler ve sayfa sonları içeren çeşitlemeler varsa birden çok modeli eğitmek için veri kümenizi segmentlere ayırmayı göz önünde bulundurun. Özel formlar tutarlı bir görsel şablonu kullanır.

• Biçimleri, belge türlerini ve yapıyı hesaplayarak dengeli bir veri kümeniz olduğundan emin olun.

Derleme modu

İşlem, build custom model şablon ve sinir özel modelleri için destek ekler. REST API'nin ve istemci kitaplıklarının önceki sürümleri artık şablon modu olarak bilinen tek bir derleme modunu destekliyor.

• Şablon modelleri yalnızca aynı temel sayfa yapısına (tekdüzen bir görsel görünüme) veya belge içindeki öğelerin aynı göreli konumuna sahip belgeleri kabul eder.

• Sinir modelleri aynı bilgilere ancak farklı sayfa yapılarına sahip belgeleri destekler. Bu belgelere örnek olarak, aynı bilgileri paylaşan ancak şirketler arasında görünüm olarak farklılık gösteren Birleşik Devletler W2 formları verilebilir.

Bu tablo, GitHub'da derleme modu programlama dili SDK başvurularının ve kod örneklerinin bağlantılarını sağlar:

Model özelliklerini karşılaştırma

Aşağıdaki tabloda özel şablon ve özel nöral özellikler karşılaştırılarak yer alır:

Özel sınıflandırma modeli

Belge sınıflandırması, (v3.1 GA) API'siyle Belge Zekası 2023-07-31 tarafından desteklenen yeni bir senaryodur. Belge sınıflandırıcı API'si sınıflandırma ve bölme senaryolarını destekler. Uygulamanızın desteklediği farklı belge türlerini tanımlamak için bir sınıflandırma modeli eğitin. Sınıflandırma modelinin giriş dosyası birden çok belge içerebilir ve ilişkili bir sayfa aralığındaki her belgeyi sınıflandırır. Daha fazla bilgi edinmek için bkz. özel sınıflandırma modelleri.

Özel model araçları

Document Intelligence v3.1 ve üzeri modeller aşağıdaki araçları, uygulamaları ve kitaplıkları, programları ve kitaplıkları destekler:

Özel model yaşam döngüsü

Özel modelin yaşam döngüsü, modeli eğitmek için kullanılan API sürümüne bağlıdır. API sürümü genel kullanılabilirlik (GA) sürümüyse, özel model bu sürümle aynı yaşam döngüsüne sahiptir. ÖZEL model, API sürümü kullanım dışı bırakıldığında çıkarım için kullanılamaz. API sürümü bir önizleme sürümüyse özel model, API'nin önizleme sürümüyle aynı yaşam döngüsüne sahiptir.

Document Intelligence v2.1 aşağıdaki araçları, uygulamaları ve kitaplıkları destekler:

Örnek Etiketleme aracı

• Belge Zekası Örnek Etiketleme aracı, Belge Zekası ve Optik Karakter Tanıma (OCR) özelliklerinin en son özelliklerini test etmenizi sağlayan açık kaynak bir araçtır.

• Özel model oluşturmaya ve kullanmaya başlamak için Örnek Etiketleme aracı hızlı başlangıcını deneyin.

Belge Makine Zekası Stüdyosu

1. Document Intelligence Studio giriş sayfasında Özel ayıklama modelleri'ni seçin.

2. Projelerim'in altında Proje oluştur'u seçin.

3. Proje ayrıntıları alanlarını tamamlayın.

4. Eğitim veri kaynağınızı bağlamak için Depolama hesabınızı ve Blob kapsayıcınızı ekleyerek hizmet kaynağını yapılandırın.

5. Projenizi gözden geçirin ve oluşturun.

6. Özel modelinizi etiketlemek, derlemek ve test etmek için örnek belgelerinizi ekleyin.

İlk özel ayıklama modelinizi oluşturmaya yönelik ayrıntılı bir izlenecek yol için bkz. Özel ayıklama modeli oluşturma.

Özel model ayıklama özeti

Bu tablo desteklenen veri ayıklama alanlarını karşılaştırır:

Tablo simgeleri:
✔ —Desteklenir
**yok—Şu anda kullanılamıyor;
*-Modele bağlı olarak farklı davranır. Şablon modelleriyle yapay veriler eğitim zamanında oluşturulur. Sinir modellerinde, bölgede tanınan metinden çıkma seçilidir.

• Belge Yönetim Bilgileri Örnek Etiketleme aracıyla kendi formlarınızı ve belgelerinizi işlemeyi deneyin.

• Belge Zekası hızlı başlangıcını tamamlayın ve seçtiğiniz geliştirme dilinde bir belge işleme uygulaması oluşturmaya başlayın.

• Document Intelligence Studio ile kendi formlarınızı ve belgelerinizi işlemeyi deneyin.

• Belge Zekası hızlı başlangıcını tamamlayın ve seçtiğiniz geliştirme dilinde bir belge işleme uygulaması oluşturmaya başlayın.