- Überblick
- Erste Schritte
- Building Models
- Consuming Models
- ML-Pakete
- 1040 – ML-Paket
- 1040 Anlage C – ML-Paket
- 1040 Anlage D – ML-Paket
- 1040 Anlage E – ML-Paket
- 4506T – ML-Paket
- 990 – ML-Paket – Vorschau
- ACORD125 – ML-Paket
- ACORD126 – ML-Paket
- ACORD131 – ML-Paket
- ACORD140 – ML-Paket
- ACORD25 – ML-Paket
- Bank Statements – ML-Paket
- BillsOfLading – ML-Paket
- Gründungsurkunde – ML-Paket
- Ursprungszertifikat – ML-Paket
- Checks – ML-Paket
- Produktzertifikat für Kinder – ML-Paket
- CMS 1500 – ML-Paket
- EU-Konformitätserklärung – ML-Paket
- Financial Statements – ML-Paket
- FM1003 – ML-Paket
- I9 – ML-Paket
- ID Cards – ML-Paket
- Invoices – ML-Paket
- Invoices Australia - ML package
- Invoices China - ML package
- Invoices India - ML package
- Invoices Japan - ML package
- Rechnungen Versand – ML-Paket
- Packing Lists – ML-Paket
- Gehaltsabrechnungen – ML-Paket
- Passports – ML-Paket
- Purchase Orders – ML-Paket
- Receipts – ML-Paket
- RemittanceAdvices – ML-Paket
- UB04 – ML-Paket
- Utility Bills – ML-Paket
- Vehicle Titles – ML-Paket
- W2 – ML-Paket
- W9 – ML-Paket
- Öffentliche Endpunkte
- Unterstützte Sprachen
- Daten und Sicherheit
- Lizenzierung
Schlüsselkonzepte
Familiarize yourself with the core concepts around UiPath Document UnderstandingTM.
Active learning is our modern approach to creating models for Document UnderstandingTM.
Aktives Lernen bietet eine interaktive Erfahrung, bei der der Lernalgorithmus den Benutzer abfragen kann, um Daten mit dem gewünschten Output zu beschriften. Dieser Prozess hilft, den Zeit- und Datenaufwand für das Training eines Machine-Learning-Modells um bis zu 80 % zu reduzieren. KI wird verwendet, um den Prozess zu steuern, einschließlich der automatischen Anmerkung, die in der Regel die zeitaufwändigste Aufgabe ist. Das Modell enthält auch Expertenempfehlungen zur Verbesserung der Genauigkeit mithilfe der informativen Datasets.
Mit aktivem Lernen können Sie Ihre Automatisierungen auch durch analytische Funktionen überwachen.
Ein Dokumenttyp bezieht sich auf die Klassifizierung oder Kategorisierung eines Dokuments basierend auf seinem Inhalt, Format, Zweck oder anderen Unterscheidungsmerkmalen. Einige Beispiele können Rechnungen, Belege, Verträge, Berichte, Gesundheitsakten, Rechtsdokumente usw. sein.
- Strukturiert: Dokumente zum Sammeln von Informationen in einem bestimmten Format. Beispiele sind Umfragen, Steuerformulare, Pässe oder Lizenzen.
- Halbstrukturiert: Dokumente, die keinem strikten Format folgen und nicht an bestimmte Datenfelder gebunden sind. Zu den halbstrukturierten Dokumenten gehören Rechnungen, Belege, Betriebskostenabrechnungen, Kontoauszüge und andere.
- Unstrukturiert: Dokumente, die keinem bestimmten oder organisierten Modell folgen. Beispiele sind Verträge, Mietverträge oder Nachrichtenartikel.
Weitere Informationen zu Dokumenttypen finden Sie im Abschnitt Dokumenttypen.
Generative KI ist eine Form der KI-Technologie, die Machine-Learning-Modelle (ML) nutzt, um neue Inhalte, Daten oder Informationen zu erstellen und zu generieren.
Ausschlaggebend für die meisten generativen KI-Aufgaben sind Large Language Models (LLMs). Dabei handelt es sich um ML-Modelle, die mit einer großen Menge von Textdaten trainiert werden, um Text zu generieren, der klingt, als wäre er von einem Menschen verfasst worden. LLMs können auch Eingabeaufforderungen verstehen und darauf reagieren, indem sie Sätze oder Absätze auf eine menschliche Art vervollständigen.
- Informationsextraktion: Generative KI-Modelle können verwendet werden, um bestimmte Informationen aus unstrukturierten oder halbstrukturierten Dokumenten zu extrahieren. Beispielsweise können sie Informationen wie Datum, Rechnungsbetrag und Firmenname aus einer Rechnung extrahieren.
- Dokumentklassifizierung: ML-Modelle werden verwendet, um Dokumente basierend auf ihrem Inhalt automatisch zu kategorisieren. Diese Algorithmen „lesen“ das Dokument, verstehen seinen Kontext und können es in vordefinierte Kategorien klassifizieren.
- Datenvalidierung: Generative KI kann die Ausgabe des ML-Modells überprüfen, wenn der Konfidenzwert zu niedrig ist. Wenn beide ML-Modelle (generativ und spezialisiert) die gleiche Ausgabe haben, kann ein Mensch die Validierung dieses Dokuments überspringen. Dadurch kann der Zeitaufwand für die Validierung von Dokumenten verringert werden. Außerdem kann die Leistung Ihrer Modelle verbessert werden, indem die Ausgabe mithilfe eines zweiten generativen Modells überprüft wird.
ML-Modelle sind wie virtuelle Assistenten, die darauf trainiert wurden, aus Daten zu lernen und Vorhersagen oder Entscheidungen zu treffen. Bei diesen Modellen handelt es sich im Wesentlichen um Algorithmen, die lernen, Muster basierend auf historischen Daten zu erkennen. Je mehr Daten ihnen zur Verfügung stehen, desto besser können sie ihre Vorhersagen oder Entscheidungen im Laufe der Zeit verbessern.
You can find several out of the box ML models in Document UnderstandingTM. These models help you classify and extract any commonly occurring data points from semi-structured or unstructured documents, with no setup required.
Check the Out-of-the-box models page for the full list of pre-trained models and their fields.
ML-Modelle können in einer Vielzahl von Sprachen trainiert werden, sofern die OCR das Dokument und den Text mit hoher Zuverlässigkeit erkennt.
Optical Character Recognition (OCR) ist eine spezielle Technologie, die verwendet wird, um verschiedene Arten von Dokumenten, z. B. gescannte Papierdokumente, PDF-Dateien oder von einer Digitalkamera aufgenommene Bilder, in bearbeitbare und durchsuchbare Daten umzuwandeln.
Die Genauigkeit einer OCR-Engine hängt meistens von der Qualität des Originaldokuments ab. Klarer, gut formatierter Text in einer lesbaren Schriftart führt in der Regel zu der besten Ausgabe.
For more information on the languages supported by the OCR engines options provided by UiPath, check the OCR Supported Languages page.
