Verwenden von Document Manager

Auf dieser Seite wird beschrieben, wie der Document Manager zum Beschriften eines neuen Datasets und zum erneuten Trainieren eines ML-Modells verwendet wird.

Zugreifen und Konfigurieren des Document Managers

Launch the created data labeling session in First Run Experience and go to the settings to configure the OCR.

Choose the OCR you intend to use in the OCR method dropdown menu. For UiPathDocumentOCR, paste the Document Understanding license key (retrieve the Document Understanding API key from the Admin > License page) and then paste the OCR URL you generated when you deployed UiPathDocumentOCR.

Configure the prelabelling with the models that you have deployed following the instructions here. Paste the model public ML Skill endpoint and the Document Understanding license key, and then click Save.

Importieren von Dokumenten

Click the Import button from a Document Manager Session.

Benennen Sie das Dataset und klicken Sie auf Dateien zum Hochladen durchsuchen.

Wählen Sie das Dokument aus, das Sie hochladen möchten.

Klicken Sie auf Ja.

Erstellen von Extraktionsfeldern

Click to create fields to be extracted.

Sie können bis zu 40 Felder erstellen.

Für diese Validierungsübung können Sie einige gängige Rechnungsfelder wie date (Datum), name, invoice-no (Rechnungsnummer) und total (Summe) erstellen. Stellen Sie sicher, dass Sie den Inhaltstyp entsprechend ändern – date (Datum), name (Zeichenfolge), invoice-no (Zeichenfolge) und total (Zahl).

Beschriften von Dokumenten

Jetzt können Sie mit der Beschriftung der Dokumente beginnen.

Click the predict button on top to use the base invoice model to predict the labels for the defined fields, and correct it if the prediction is wrong.

Um die Beschriftung zu ändern, ziehen Sie den Mauszeiger über das Feld und drücken Sie die Kurzwahltaste, um sie zu beschriften (z. B. d für das Beschriftungsdatum im folgenden Beispiel).

Verwenden Sie den Pfeil oben, um zum nächsten Dokument zu wechseln, bis Sie die Validierung der Beschriftungen für alle hochgeladenen Rechnungen abgeschlossen haben.

Hinweis:

Da das Basismodell Invoices bereits sehr gut funktioniert hat und die Beispielrechnung relativ einfach ist und keine übermäßigen Unregelmäßigkeiten hat, liegt die Vorhersagegenauigkeit in diesem Fall bei nahezu 100 %. So müssen Sie möglicherweise gar keine Beschriftungen korrigieren.

Exportieren von Dokumenten

Make sure to select the correct dataset in the dataset filtering and click the Export button .

Klicken Sie auf Exportieren.

Wechseln Sie unter demselben AI Center-Projekt zu Datasets. Dort sollten Sie das exportierte Trainings-Dataset sehen können.

Trainieren eines benutzerdefinierten Modells im AI Center

Wechseln Sie zu Pipelines > Neue erstellen. Wählen Sie den Typ der Auswertungsausführung sowie das Modellpaket und den Eingabedatensatz aus.

Wählen Sie den Unterordner unter „Export“ als Eingabe-Dataset aus.

Klicken Sie auf Erstellen, um die Pipeline zu starten. Die Ausführung der Pipeline auf CPU-Maschinen kann 1–2 Stunden dauern.

Bereitstellen des neu trainierten ML-Modells als ML-Fähigkeit

Rufen Sie ML-Fähigkeiten auf und erstellen Sie eine neue ML-Fähigkeit.

Wählen Sie dasselbe Rechnungsmodellpaket aus, das zuvor erstellt wurde. Da wir das Modell neu trainiert haben, gibt es jetzt eine neue Nebenpaketversion (1 statt 0). Wählen Sie hierbei die neueste aus.

Sobald die ML-Fähigkeit erstellt wurde, wechseln Sie zu Aktuelle Bereitstellung ändern, um die ML-Fähigkeit öffentlich zu machen. Schalten Sie den Umschalter um und klicken Sie auf Bestätigen.

Kopieren Sie die URL der öffentlichen ML-Fähigkeit zur späteren Verwendung.

Herzlichen Glückwunsch! Sie haben nun ein Invoice-Modell mit Ihrem eigenen Datensatz neu trainiert und den Endpunkt erstellt, um auf das Modell zuzugreifen.