Компания преобразует множество бумажных квитанций в изображения и ей необходимо извлекать такие сущности, как дата, местоположение, примечания и пользовательские поля (номера квитанций). Они уже используют OCR для получения текста, но макеты документов различаются, а создание рабочих процессов маркировки занимает много времени. У них также есть небольшой набор данных NER, который требует гораздо больше обучающих данных. Какой подход потребует наименьших усилий для получения надежного извлечения сущностей?

Правильный ответ — использование Amazon Textract для извлечения текста, а затем Amazon Comprehend для обнаружения сущностей и пользовательских полей. Amazon Textract специально разработан для извлечения текста и структурированных данных из документов, включая квитанции, независимо от их макета, что решает проблему различных макетов. Amazon Comprehend предоставляет готовое распознавание именованных сущностей (NER) для стандартных сущностей (дата, местоположение), а его функция пользовательского распознавания сущностей (Comprehend Custom Entity Recognition) позволяет обучать модели для извлечения специфических для бизнеса полей (например, номера квитанций) с меньшим объемом данных по сравнению с обучением модели с нуля. Этот подход минимизирует усилия, поскольку использует управляемые сервисы, оптимизированные для этих задач. Остальные варианты менее оптимальны: Обучение модели SageMaker BlazingText для NER требует значительных усилий по маркировке и большего объема данных, чем Comprehend Custom Entity Recognition. Использование сторонних моделей OCR из AWS Marketplace добавляет сложности и потенциально не обеспечивает такой же уровень интеграции и оптимизации для квитанций, как Textract.