Clasificador inteligente de palabra clave

Qué es el clasificador inteligente de palabras claves

The Intelligent Keyword Classifier is a classifier that uses the word vector it learns from files of certain document types to perform document classification.

El algoritmo se crea en torno al concepto de contenido repetido para un mismo tipo de documento y parte de la premisa de que los tipos de documentos tienen una serie de palabras que suelen aparecer en esos tipos de documentos, lo que permite un cálculo de similitud vectorial.

Al clasificar un archivo en un tipo de documento, el clasificador inteligente de palabras claves:

• encuentra el vector de palabras más parecido a un archivo,
• informa sobre el tipo de documento con mayor puntuación, con las palabras principales subyacentes que coinciden.

El clasificador inteligente de palabras claves también tiene la capacidad de dividir los archivos, lo que significa que puede clasificar más de una clase para un archivo dado, para rangos de páginas separados.

Cuándo utilizarlo

Deberías plantearte el uso de este clasificador si:

• tus archivos contienen uno o más tipos de documentos dentro de un mismo archivo
• tus tipos de documentos son relativamente fáciles de diferenciar en cuanto al contenido.

Requisitos especiales

Para utilizar este clasificador, debes utilizar tu clave API de Automation Cloud Document Understanding o alojar tu propia instancia del clasificador inteligente de palabras claves en AI Center local.

Cómo configurar en tiempo de diseño

You can configure the Intelligent Keyword Classifier at design-time, by simply accessing the Manage Learning wizard of the activity. The same wizard can be used for reviewing data collected during the document classification training phase, by opening the same wizard with an updated learning file path.

Este asistente te permite configurar y administrar los datos de entrenamiento utilizados por esta actividad para identificar el tipo de documento y para clasificar los documentos. Fue creado para adaptarse a la necesidad de editar una ruta de archivo. Si en su lugar utilizamos una opción de Datos de aprendizaje con una variable, entonces se te preguntará si quieres editar una ruta de archivo específica o abortar esta operación.

Nota:

The Manage Learning wizard only works when the activity is configured with a Learning File Path string. It does not work with a Learning File Path set as a variable input, or with a LearningData string input.

1. Add an Intelligent Keyword Classifier/Intelligent Keyword Classifier Trainer activity to your workflow.

2. Configure your Intelligent Keyword Classifier activity by adding the path of a .json file.

   • If no path is provided and the Manage Learning option is clicked, then a popup is displayed, asking for a Learning File Path input. Once the path is provided, the wizard opens.
   • A variable can be added instead of a .json file, but, because the wizard cannot apply the learning pattern to a LearningData variable, it asks for a specific file path that can be edited.

3. Click on the Manage Learning option.

   • The Wizard window opens.

     

4. Si no se proporciona ninguna ruta y se hace clic en la opción Administrar aprendizaje, entonces se mostrará una ventana emergente solicitando una Ruta del archivo de aprendizaje. Una vez proporcionada la ruta se abrirá el asistente.

   

   Nota:

   Even if no .json file is available, you can add the name of a new .json file straight into the activity and the .json file is automatically created inside the specified folder.

La siguiente captura de pantalla muestra un tipo de documento que se ha entrenado, uno que no se ha entrenado y otro que se ha entrenado y al que se puede acceder su visualización o eliminación.

For document types that have not been trained yet, design-time training can be performed using the Start Training option. For document types that already have some training, you can either delete it to start over, by using this option, or perform extra training (cumulative to the already existing one) using the edit option.

Nota:

Los archivos de entrenamiento a utilizar deben contener una única instancia de tipo de documento por archivo. No ejecutes ningún entrenamiento de tiempo de diseño en archivos que contengan dos o más tipos de documentos, pues tus datos de entrenamiento serán erróneos.

Una vez iniciado un nuevo entrenamiento, aparece una nueva pantalla en la que se solicitan los archivos de entrenamiento y el motor OCR que debe utilizarse.

Each OCR engine comes with its own set of custom options. Here you can find more details about all options available for each OCR engine.

Nota:

Los siguientes motores OCR no admiten documentos girados y no deben utilizarse para procesar este tipo de documentos:

• Microsoft OCR
• Tesseract OCR

Solo se pueden exportar los datos de entrenamiento de los tipos de documentos que han sido entrenados. No se pueden seleccionar tipos de documentos que no hayan sido entrenados.

Exportar datos de entrenamiento

Puedes exportar los datos de entrenamiento siguiendo estos pasos:

1. Selecciona los tipos de documentos que han sido entrenados.

2. Click the Export button.

3. Si hay cambios sin guardar, aparecerá el siguiente mensaje.

   

4. Haz clic en Sí.

5. Guarda el archivo de datos de entrenamiento con el nombre deseado.

6. Aparecerá un mensaje indicando cuántos conjuntos de datos de entrenamiento de tipos de documento se han exportado. Por ejemplo:

   

7. Click OK to return to the main screen of the wizard.

Importar los datos de entrenamiento

Puedes importar los datos de entrenamiento siguiendo estos pasos:

1. Click the Import button.

2. Select the training data archive and click Open.

3. Selecciona los tipos de documentos deseados.

   

4. Click the Import button.

5. Los datos de entrenamiento se importan.

   

En la tabla siguiente se explican los mensajes que aparecen al importar los datos de entrenamiento:

Tipo de importación	Mensaje mostrado
Nuevo tipo de documento y vectores de palabras	Este tipo de documento se añadirá a la taxonomía
Nuevo vector de palabras (ninguno previamente definido)	N/D
Tipo de documento idéntico y vector de palabras	El vector de palabras para este tipo de documento se sobrescribirá

Cómo entrenarlo

Coloca la actividad Entrenador del clasificador inteligente de palabras clave en Entrenar el ámbito de los clasificadores y configúrala en consecuencia.

We cannot enforce training file consistency across parallel trainings at the activity level. Two possible solutions for this issue are provided by Document Understanding Process. Both consist of traffic control:

1. bloquea los archivos (implementado de forma predeterminada en el proceso): renombra el archivo usando la extensión .lock, modifica y guarda el archivo, después vuelve a renombrarlo, eliminando la extensión .lock
2. configuración manual de una cola especial: crea una cola vacía en Orchestrator e integra tus dos actividades del proyecto

For more information on how to train a Classifier, check Document Classification Training.