Uma empresa está convertendo muitos recibos em papel para imagens e precisa extrair entidades como data, local, notas e campos personalizados (números de recibo). Eles já usam OCR para obter texto, mas os layouts dos documentos variam e a criação de fluxos de trabalho de rotulagem consome muito tempo. Eles também têm um pequeno conjunto de dados NER que precisa de muito mais dados de treinamento. Qual abordagem exigirá o menor esforço para obter uma extração de entidade confiável?

A opção correta é usar o Amazon Textract para extrair texto e, em seguida, o Amazon Comprehend para detecção de entidades, incluindo reconhecimento de entidade personalizada. O Textract é ideal para recibos, pois é otimizado para extrair dados estruturados de documentos, independentemente do layout, eliminando a necessidade de rotulagem manual extensiva. O Comprehend, por sua vez, oferece detecção de entidades pré-treinada e a capacidade de treinar modelos de reconhecimento de entidade personalizada (Custom NER) com um pequeno conjunto de dados, o que se alinha com a necessidade de extrair campos personalizados e o desafio de ter poucos dados de treinamento. As outras opções são menos eficientes: Treinar um modelo SageMaker BlazingText exigiria um esforço de rotulagem e treinamento maior do que o Comprehend Custom NER. Usar um OCR de terceiros do AWS Marketplace adiciona complexidade e pode não ser tão otimizado para recibos quanto o Textract. A combinação de OCR de terceiros com Comprehend ainda introduz a complexidade do OCR de terceiros.