Een bedrijf converteert veel papieren bonnen naar afbeeldingen en moet entiteiten zoals datum, locatie, notities en aangepaste velden (bonnummers) extraheren. Ze gebruiken al OCR om tekst te verkrijgen, maar de lay-outs van documenten variëren en het bouwen van labelworkflows is tijdrovend. Ze hebben ook een kleine NER-dataset die veel meer trainingsdata nodig heeft. Welke aanpak vereist de minste inspanning om betrouwbare entiteitsextractie te verkrijgen?

De correcte aanpak is om Amazon Textract te gebruiken voor OCR en vervolgens Amazon Comprehend voor entiteitsdetectie, inclusief aangepaste entiteiten. Textract is geoptimaliseerd voor het extraheren van tekst en gestructureerde gegevens uit documenten met variërende lay-outs, zoals bonnen, wat de initiële OCR-uitdaging oplost. Amazon Comprehend biedt ingebouwde NER voor algemene entiteiten en, cruciaal, Comprehend Custom Entity Recognition voor het trainen van modellen met een kleine dataset om specifieke, aangepaste velden zoals bonnummers te herkennen. Dit vereist minder inspanning dan het handmatig bouwen en labelen van uitgebreide datasets, of het trainen van complexe deep-learning modellen vanaf nul. De andere opties zijn minder efficiënt: Het trainen van een Amazon SageMaker BlazingText-model voor NER vereist aanzienlijk meer gelabelde trainingsdata en expertise dan Comprehend Custom Entities. Het gebruik van deep-learning OCR-modellen van derden of vooraf getrainde NER-modellen van derden voegt onnodige complexiteit en integratie-inspanning toe, terwijl AWS-services zoals Textract en Comprehend dit out-of-the-box bieden.