一家公司正在将大量纸质收据转换为图像，需要从中提取日期、地点、备注和自定义字段（收据编号）等实体。他们已经使用 OCR 来获取文本，但文档布局各不相同，并且构建标签工作流非常耗时。他们还有一个小型 NER 数据集，需要更多的训练数据。哪种方法能以最少的精力获得可靠的实体提取？

正确答案是使用 Amazon Textract 提取文本，然后结合 Amazon Comprehend 的内置实体检测和自定义实体识别功能。Textract 专门用于从各种布局的文档中提取文本和结构化数据，包括收据，这解决了文档布局多变的问题。Comprehend 的内置 NER 可以识别日期和地点等常见实体，而其自定义实体识别功能可以直接处理收据编号等特定业务字段，且无需大量标记数据。这种组合最大限度地减少了手动标记工作，并利用了 AWS 服务的专业能力。 其他选项的不足在于： 训练 SageMaker BlazingText 模型需要大量的标记数据，这与“最少的精力”要求相悖。 依赖第三方 OCR 模型可能增加复杂性，且预训练的 NER 模型不一定能处理自定义字段。 即使使用第三方 OCR，如果后续的 NER 步骤不包含自定义实体识别，也无法满足所有需求。