Un'azienda sta convertendo molte ricevute cartacee in immagini e deve estrarre entità come data, luogo, note e campi personalizzati (numeri di ricevuta). Utilizzano già l'OCR per ottenere il testo, ma i layout dei documenti variano e la creazione di flussi di lavoro per l'etichettatura richiede molto tempo. Hanno anche un piccolo dataset NER che necessita di molti più dati di training. Quale approccio richiederà il minor sforzo per ottenere un'estrazione affidabile delle entità?

L'opzione corretta sfrutta la combinazione ottimale di servizi AWS per il caso d'uso. Amazon Textract è eccellente per estrarre testo e dati strutturati da documenti, inclusi layout variabili come le ricevute, riducendo lo sforzo di pre-elaborazione. Amazon Comprehend offre il riconoscimento di entità pre-addestrato per entità comuni (data, luogo), mentre il riconoscimento di entità personalizzate di Comprehend consente di addestrare un modello per entità specifiche (numeri di ricevuta) con un dataset più piccolo, affrontando il problema del dataset NER limitato. Le altre opzioni sono meno efficienti. L'uso di SageMaker BlazingText richiederebbe un maggiore sforzo di etichettatura e addestramento rispetto a Comprehend, che è un servizio gestito. L'utilizzo di modelli OCR di terze parti o NER pre-addestrati di terze parti potrebbe introdurre complessità di integrazione e costi aggiuntivi, e non risolverebbe il problema del dataset limitato per le entità personalizzate in modo efficiente come Comprehend.