Schlüsselkonzepte

Familiarize yourself with the core concepts around UiPath® Document Understanding^TM.

Aktives Lernen

Active learning is our modern approach to creating models for Document Understanding^TM.

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.

Figure 1. How does Active Learning work

Mit aktivem Lernen können Sie Ihre Automatisierungen auch durch analytische Funktionen überwachen.

Dokumenttypen

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.

Einige Dokumenttypen haben einen stark strukturierten Inhalt, während andere hauptsächlich aus freiem Text bestehen. Auf dieser Grundlage werden Dokumente in drei Hauptformate unterteilt:

• Structured: documents designed to collect information in a specific format. For example, surveys, tax forms, passports, or licenses are all structured documents.
• Semi-structured: documents that do not follow a strict format and are not bound to specified data fields. Semi-structured documents include invoices, receipts, uility bills, bank statements, and others.
• Unstructured: documents that do not follow a specific or organized model. For example, contracts, leases, or news articles are all unstructured documents.

To learn more about document types, check the Document types section.

ML-Modelle

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 Understanding^TM. These models help you classify and extract any commonly occurring data points from semi-structured or unstructured documents, with no setup required.

Check the Pre-trained document types 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)

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.