Amazon Textract Insights 正式推出:以自然语言抽取文档字段,附置信度评分与页面定位,单文件最多 3,000 页

AWS 宣布 Amazon Textract Insights 全面可用,可用自然语言定义字段并处理混合文档包,每个值附置信度评分与页面定位。目前支持六种语言,且 Tokyo、Zurich 区域暂未提供。

新闻日期: 阅读时间约 5 分钟

目录
  1. 1. Amazon Textract Insights 与传统做法有何不同?
  2. 2. 混合文档包如何处理?支持哪些格式与语言?
  3. 3. 置信度评分与定位如何支持审计与自动化?
  4. 4. 数据安全与如何开始?

AWS 表示,Amazon Textract Insights 已达全面可用(general availability,即正式上线),是 Amazon Textract 内通过新 API 提供的生成式 AI 功能。用户可用自然语言说明要抽取哪些字段,并获得附置信度评分与页面定位的结构化结果。AWS 以房贷、理赔与入职文档包这类混合文档为典型场景(以上均依据 AWS 说明)。

Amazon Textract Insights 与传统做法有何不同?

AWS 指出,团队通常有两种做法。第一种是自行组合定制管线,包含 OCR(光学字符识别,把扫描图像中的文字转成计算机可读的文字)、文档切分、分类、基础模型提示与审核步骤。第二种是直接使用通用大语言模型,虽能给出流畅的答案,但不一定能可靠标示来源页面或提供置信度评分。AWS 称 Textract Insights 把整个流程整合为 Textract 上的单个异步请求,也就是提交后在后台处理、完成后再取回结果。

依据 AWS 说明,用户通过「blueprint」(可理解为抽取模板)定义要抽取的内容。它是一份 JSON Schema,即描述数据字段结构的标准格式。每个字段都有自然语言描述,并有「推断类型」,决定值是从页面逐字读取,还是由文档内容推断而来。AWS 公开的 blueprint 涵盖 W-2、Form 1040、Form 1098、护照与出生证明等,用户也可自行编写。

混合文档包如何处理?支持哪些格式与语言?

处理混合文档包时,用户先把各文档类型的 blueprint 加入同一个项目。接着从自己的 Amazon S3(AWS 的云端文件存储服务)存储桶提交单个文件(最多 3,000 页),并启用切分。AWS 表示,服务会将文件切成逻辑子文档、匹配合适的 blueprint、抽取字段,并为每个值返回置信度评分与定位。

AWS 举例:一份 26 页的房贷申请 PDF 内含 W-2、工资单、银行对账单与放款人员手写笔记。只需一次 StartDocumentInsights 调用,结果便写回用户的 S3。每个值都附置信度评分,以及来源页面与边界框(标出该值在页面上位置的方框坐标)。

依 AWS 公告整理:Insights 与 Core 的差异
项目Textract InsightsTextract Core 更新
性质新的生成式 AI 功能,通过新 API 提供现有读取引擎更新,现有 API 不变
语言英、法、德、意、葡、西DetectDocumentText 与 AnalyzeDocument 扩至 40 种语言
区域暂未在 Tokyo、Zurich 提供新增 Tokyo 与 Zurich,共 18 个区域
处理位置在用户所在地理范围内自动选择区域推理在调用的区域内处理
输入与计价PDF、PNG、JPEG、TIFF;按页计价,无最低承诺公告未说明

置信度评分与定位如何支持审计与自动化?

AWS 说明,Insights 返回两类字段:直接从页面读取的明确字段,以及从内容推导的推断字段。两者都附置信度评分,以及值所取自的页面与坐标。因此审核人员或审计人员可对照原始文档,确认任何结果。

AWS 引述 Symbeo(CorVel 旗下公司)信息系统副总裁 Vijay Agrawal 的评价:团队可用白话描述所需字段,并依置信度评分只审核置信度较低的字段,同时期待探索文档切分功能。这是厂商发布的客户说法,并非独立验证。

数据安全与如何开始?

AWS 表示,项目与 blueprint 默认以 AWS 自有密钥做静态加密,也就是数据存储时即加密。若要使用自己的 AWS KMS(AWS 的密钥管理服务)客户管理密钥,可在调用 CreateProject 或 CreateBlueprint 时,于 EncryptionConfiguration 中指定。分析任务的中间处理数据同样加密,属临时性数据,并在任务完成时删除。项目的密钥不适用于其任务。

  1. 定义需求:从 AWS 公开 blueprint 开始,或用自然语言描述自己的字段。
  2. 创建项目:把 blueprint 加入项目。
  3. 提交文档:从 Amazon S3 通过一次 API 调用提交单个文档或混合文档包。
  4. 查看结果:接受达到置信度阈值的值,其余送人工审核,并以自己的代表性样本调整阈值。

常见问题

Amazon Textract Insights 目前是预览还是正式版?

AWS 在公告中表示已达全面可用(general availability),即正式版。但区域与语言仍有限制,例如 Tokyo 与 Zurich 暂未提供。

需要自己训练模型吗?

不需要。AWS 表示用户以自然语言描述字段即可,无需模型训练。

原有的 Textract API 会受影响吗?

AWS 表示,Textract Core 的更新不需要现有客户做任何变更,现有 API 保持不变。

费用如何计算?

AWS 表示按页计价而非按 token,且无最低承诺。公告未列出具体费率,请参阅 Amazon Textract 定价页。

我所在的区域可以使用 Insights 吗?

AWS 公告未列出 Insights 在各区域的完整可用清单,只说明 Tokyo 与 Zurich 暂未提供 Insights,请以 AWS 文档为准。

查看同分类最新消息

觉得这篇整理实用吗?分享给需要的朋友

资料来源

本文依据上方所列参考来源与标示之核实日期整理;票价、时刻、功能规格或服务条款可能变动,出发、预订或购买前请至相关官方网站确认最新信息。

生活分享