ある企業が多数の紙のレシートを画像に変換しており、日付、場所、メモ、カスタムフィールド（レシート番号）などのエンティティを抽出する必要があります。同社はすでにOCRを使用してテキストを取得していますが、ドキュメントのレイアウトはさまざまであり、ラベル付けワークフローの構築には時間がかかります。また、小規模なNERデータセットがあり、さらに多くのトレーニングデータが必要です。信頼性の高いエンティティ抽出を行うために、最も少ない労力で済むアプローチはどれですか？

このシナリオでは、OCRでテキストを抽出し、さまざまなレイアウトのドキュメントからエンティティを抽出する必要があります。Amazon Textractは、レシートや請求書などのドキュメントからテキスト、フォーム、テーブルを自動的に抽出できるため、OCRタスクに最適です。Amazon Comprehendは、事前トレーニング済みのモデルを使用して一般的なエンティティ（日付、場所など）を検出でき、Comprehend Custom Entity Recognitionを使用すると、レシート番号のようなカスタムエンティティを少量のラベル付きデータでトレーニングできます。これにより、ラベル付けの手間を最小限に抑えながら、信頼性の高いエンティティ抽出を実現できます。 他の選択肢は、BlazingTextモデルのトレーニングに多くの労力を要したり、サードパーティのOCRモデルに依存したりするため、最適なソリューションではありません。