FinBank riceve fatture PDF multipagina (3-10 pagine ciascuna) in un bucket S3 e deve estrarre campi chiave/valore strutturati (InvoiceNumber, InvoiceDate, InvoiceTotal) e salvare i risultati su DynamoDB. Diversi team hanno provato DetectDocumentText, ma l'associazione chiave/valore non è affidabile. Qual è l'approccio e la configurazione di Textract più appropriati per estrarre in modo affidabile campi di modulo strutturati su larga scala in questo ambiente AWS?

L'opzione corretta è la più appropriata perché StartDocumentAnalysis con FeatureTypes=['FORMS'] è specificamente progettato per estrarre coppie chiave/valore strutturate da documenti, come richiesto per le fatture. Essendo un'operazione asincrona, è ideale per documenti multipagina e grandi volumi, elaborando i PDF direttamente da S3. L'analisi dei blocchi KEYVALUESET e delle loro RELATIONSHIPS consente di ricostruire accuratamente le associazioni chiave-valore. Le opzioni errate sono: AnalyzeDocument sincrono con ['TABLES'] non è adatto per l'estrazione di moduli e non gestisce automaticamente i PDF multipagina in modo efficiente per grandi volumi. Amazon Comprehend è per l'analisi del testo e l'estrazione di entità, non per l'estrazione strutturata chiave/valore da layout di documenti. AnalyzeExpense è un'ottima opzione per le fatture, ma la domanda specifica che i team hanno provato DetectDocumentText e che l'associazione chiave/valore non è affidabile, suggerendo un problema con l'approccio generico di Textract. Tuttavia, StartDocumentAnalysis con FORMS è la base per un'estrazione affidabile di campi strutturati e offre un controllo maggiore sull'interpretazione dei risultati rispetto a un'API più specializzata come AnalyzeExpense se l'obiettivo è un'estrazione generica di coppie chiave-valore.