Une entreprise convertit de nombreux reçus papier en images et doit en extraire des entités telles que la date, le lieu, les notes et les champs personnalisés (numéros de reçu). Elle utilise déjà l'OCR pour obtenir le texte, mais la mise en page des documents varie et la création de workflows d'étiquetage prend du temps. Elle dispose également d'un petit jeu de données NER qui nécessite beaucoup plus de données d'entraînement. Quelle approche demandera le moins d'effort pour obtenir une extraction d'entités fiable ?

L'approche correcte utilise Amazon Textract pour l'extraction de texte et Amazon Comprehend pour la détection d'entités. Textract est un service OCR entièrement géré qui excelle dans l'extraction de texte et de données structurées (formulaires, tableaux) à partir de documents, y compris les reçus, sans nécessiter de modèles personnalisés ou de configuration complexe pour les mises en page variables. Amazon Comprehend est un service de traitement du langage naturel (NLP) qui peut détecter des entités standard (date, lieu) et, avec la reconnaissance d'entités personnalisées (Custom Entity Recognition), il peut être entraîné avec un petit jeu de données pour identifier des champs personnalisés comme les numéros de reçu, minimisant ainsi l'effort d'étiquetage. Les autres options sont moins efficaces. Entraîner BlazingText pour le NER est plus exigeant en données et en effort. L'utilisation de modèles OCR tiers de l'AWS Marketplace introduit des dépendances externes et pourrait ne pas offrir l'intégration transparente ou la capacité de gérer les mises en page variables aussi efficacement que Textract.