FinBank ontvangt meerpagina's PDF-facturen (elk 3-10 pagina's) in een S3-bucket en moet gestructureerde sleutel/waarde-velden (InvoiceNumber, InvoiceDate, InvoiceTotal) extraheren en de resultaten opslaan in DynamoDB. Verschillende teams hebben DetectDocumentText geprobeerd, maar de sleutel/waarde-koppeling is onbetrouwbaar. Wat is de meest geschikte Textract-aanpak en -configuratie om op schaal betrouwbaar gestructureerde formuliervelden te extraheren in deze AWS-omgeving?

De correcte optie is de meest geschikte omdat StartDocumentAnalysis met FeatureTypes=['FORMS'] specifiek is ontworpen voor het extraheren van gestructureerde sleutel/waarde-paren uit documenten, zoals facturen. De asynchrone aard is essentieel voor meerpagina's PDF's en grote volumes, wat schaalbaarheid garandeert. Het parsen van KEYVALUESET-blokken en hun RELATIONSHIPS is de standaardmethode om deze gegevens uit Textract-resultaten te halen. De vermelding van de Textract-servicerol benadrukt noodzakelijke IAM-permissies. AnalyzeDocument is synchroon en minder geschikt voor meerpagina's PDF's en schaalbaarheid. FeatureTypes=['TABLES'] is voor tabellen, niet voor formuliervelden. Amazon Comprehend is voor algemene entiteitsextractie en niet geoptimaliseerd voor de specifieke structuur van facturen zoals Textract. AnalyzeExpense is weliswaar voor facturen, maar de vraag specificeert dat DetectDocumentText onbetrouwbaar was, wat impliceert dat een meer robuuste, configureerbare aanpak nodig is dan de voorgedefinieerde velden van AnalyzeExpense.