Bir şirket, birçok kağıt makbuzu görüntüye dönüştürüyor ve tarih, konum, notlar ve özel alanlar (makbuz numaraları) gibi varlıkları çıkarması gerekiyor. Metin elde etmek için zaten OCR kullanıyorlar, ancak belge düzenleri farklılık gösteriyor ve etiket iş akışları oluşturmak zaman alıcı. Ayrıca, çok daha fazla eğitim verisine ihtiyaç duyan küçük bir NER veri setine sahipler. Güvenilir varlık çıkarımı elde etmek için en az çabayı gerektirecek yaklaşım hangisidir?

Doğru cevap, makbuz görüntülerinden metin çıkarmak için Amazon Textract'ı, ardından varlık tespiti için Amazon Comprehend'i ve özel alanlar için Comprehend özel varlık tanımayı kullanmaktır. Amazon Textract, farklı düzenlere sahip belgelerden metin ve yapılandırılmış verileri (formlar ve tablolar gibi) çıkarmak için özel olarak tasarlanmış yönetilen bir hizmettir, bu da onu makbuzlar için ideal kılar. Amazon Comprehend, önceden eğitilmiş modellerle standart varlıkları (tarih, konum) tespit edebilir ve özel varlık tanıma özelliği, makbuz numaraları gibi benzersiz alanları etiketlemek için az miktarda eğitim verisiyle özelleştirilebilir. Bu kombinasyon, minimum çabayla güvenilir varlık çıkarımı sağlar. Diğer seçenekler daha fazla çaba gerektirir veya daha az etkilidir: Amazon SageMaker BlazingText modeli eğitmek, daha fazla veri ve model geliştirme çabası gerektirir. Üçüncü taraf bir OCR modeli kullanmak, AWS hizmetlerinin entegrasyon avantajlarından yararlanmaz ve genellikle daha fazla yönetim yükü getirir. Önceden eğitilmiş bir NER derin öğrenme modeli, özel makbuz numaraları gibi benzersiz varlıkları tespit etmek için yeterince esnek olmayabilir.