- Información general
- Acerca de Document Understanding™
- Introducción
- Tipos de documento
- Funciones fundamentales
- Conceptos clave
- Crear modelos
- Consumir modelos
- Paquetes ML
- 1040: paquete ML
- 1040 Anexo C - Paquete ML
- 1040 Anexo D - Paquete ML
- 1040 Anexo E - Paquete ML
- 1040x: paquete ML
- 3949a: paquete ML
- 4506T: paquete ML
- 709: paquete ML
- 941x: paquete ML
- 9465: paquete ML
- ACORD131 - Paquete ML
- ACORD140 - Paquete ML
- ACORD25 - Paquete ML
- Extractos bancarios: paquete ML
- Conocimientos de embarque: paquete ML
- Certificado de incorporación: paquete ML
- Certificado de origen: paquete ML
- Cheques: paquete ML
- Certificado de producto secundario: paquete ML
- CMS1500 - Paquete ML
- Declaración de conformidad de la UE: Paquete ML
- Estados financieros: paquete ML
- FM1003: paquete ML
- I9 - Paquete ML
- Documentos de identidad: paquete ML
- Facturas: paquete ML
- FacturasAustralia: paquete ML
- FacturasChina - Paquete ML
- Facturas en hebreo: paquete ML
- FacturasIndia - Paquete ML
- FacturasJapón - Paquete ML
- Envío de facturas: paquete ML
- Listas de embalaje: paquete ML
- Nóminas - - Paquete ML
- Pasaportes: paquete ML
- Órdenes de compra: paquete ML
- Recibos: paquete ML
- ConsejosDeRemesas: paquete ML
- UB04 - Paquete ML
- Facturas de servicios públicos: paquete ML
- Títulos de vehículos: paquete ML
- W2 - Paquete ML
- W9 - Paquete ML
- Puntos finales públicos
- Idiomas admitidos
- Datos y seguridad
- Lógica de licencias y tarificación
- Tutorial
Funciones fundamentales
Para automatizar el procesamiento de documentos, se requieren cuatro capacidades fundamentales: digitalización, clasificación, extracción y validación.
La digitalización convierte un documento físico en texto legible por la máquina, que luego puede procesarse digitalmente. Aunque el reconocimiento óptico de caracteres (OCR) es una parte significativa de la digitalización, el proceso de digitalización es más complejo e implica varios pasos, incluido el OCR.
Por ejemplo, al tratar con documentos PDF, el algoritmo de digitalización puede distinguir entre los PDF escaneados y los nativos o los híbridos que contienen imágenes escaneadas y texto nativo. La mayoría del texto puede extraerse directamente de un documento PDF nativo, pero en algunos casos, puede que sea necesario leer algunos logotipos utilizando el OCR. El proceso de digitalización puede gestionar todas estas situaciones para garantizar la máxima precisión en la detección de texto mientras se ejecuta de forma rápida y eficiente.
En la mayoría de los casos de uso, los documentos deben ordenarse en categorías lógicas para que se les puedan aplicar diferentes métodos de procesamiento.
El objetivo de una clasificación es escanear un documento y decidir a qué tipo de documento pertenece. Conocer el tipo de un documento es importante, ya que los diferentes tipos de documentos requieren diferentes técnicas de procesamiento. Por ejemplo, un modelo de extracción de facturas debe procesar una factura para garantizar que se extraen todos los campos relevantes.
La extracción de datos es el proceso de selección y recuperación solo de la información relevante de un documento. Extraer datos específicos de un documento largo utilizando la manipulación de la cadena puede ser un desafío. Sin embargo, Document UnderstandingTM ofrece varias metodologías de extracción para diferentes tipos de documentos y formatos. Por ejemplo, solo queremos extraer los campos Nombre del proveedor, Nombre de facturación, Fecha de vencimiento y Total de una factura.
En la clasificación y la extracción, los robots de software utilizan el concepto de confianza, que mide el nivel de certeza de que una tarea en particular se ha realizado bien. La tarea puede consistir en reconocer un tipo de documento, identificar un campo o leer los datos que contiene. En estos casos, el marco de Document Understanding te permite involucrar a un usuario humano para que revise y valide la salida del robot. En el mejor de los casos, la aportación humana se utiliza para entrenar la precisión del robot mediante el aprendizaje automático.