Concepts clés

Familiarisez-vous avec les concepts de base de UiPath® Document Understanding^TM.

Apprentissage actif

L’apprentissage actif constitue notre approche moderne de création de modèles pour Document Understanding^TM.

L’apprentissage actif offre une expérience interactive dans laquelle l’algorithme d’apprentissage peut interroger l’utilisateur pour labelliser les données avec les sorties souhaitées. Ce processus permet de réduire jusqu’à 80 % le temps et les données nécessaires pour entraîner un modèle d’apprentissage automatique. L’IA est utilisée pour guider le processus, qui comprend l’annotation automatique, généralement la tâche la plus longue. Le modèle fournit également des recommandations d’experts pour améliorer la précision en utilisant les ensembles de données les plus informatifs.

Graphique 1. Fonctionnement de l’apprentissage actif

Grâce à l’apprentissage actif, vous pouvez également surveiller vos automatisations grâce à des fonctionnalités d’analyse.

Types de documents

Un type de document fait référence à la classification ou à la catégorisation d’un document en fonction de son contenu, de son format, de son objectif ou d’autres facteurs distinctifs. Certains exemples peuvent inclure des factures, des reçus, des contrats, des rapports, des dossiers médicaux, des documents juridiques et autres.

Certains types de documents ont un contenu très structuré, tandis que d’autres sont principalement composés de texte libre. Sur cette base, les documents sont classés en trois formats principaux :

• Structuré : documents conçus pour collecter des informations dans un format spécifique. Par exemple, les enquêtes, les formulaires fiscaux, les passeports ou les licences sont tous des documents structurés.
• Semi-structuré : documents qui ne suivent pas un format strict et qui ne sont pas liés à des champs de données spécifiés. Les documents semi-structurés incluent les factures, les reçus, les factures de services publics, les relevés bancaires et autres.
• Non structuré : documents qui ne suivent pas un modèle spécifique ou organisé. Par exemple, les contrats, les baux de location ou les articles de presse sont tous des documents non structurés.

Pour en savoir plus sur les types de documents, consultez la section Types de documents (Document Types).

IA générative

Important :

Cette fonctionnalité fait actuellement partie d'un processus d'audit et ne doit pas être considérée comme faisant partie de l'autorisation FedRAMP tant que la révision n'est pas finalisée. Consultez ici la liste complète des fonctionnalités en cours de révision.

L’IA générative est une forme de technologie d’IA qui exploite les modèles d’apprentissage automatique (ML) pour créer et générer de nouveaux contenus, données ou informations.

Les Grands modèles de langage (LLM) sont essentiels aux tâches d’IA les plus génératives. Il s’agit de modèles ML entraînés sur une grande quantité de données textuelles, conçus pour générer du texte de type humain. Les LLM peuvent également comprendre et répondre aux invites en complétant des phrases ou des paragraphes à la manière d’un humain.

Dans le contexte de Document Understanding^TM, l’IA générative aide pour les cas suivants :

• Extraction d’informations : les modèles d’IA générative peuvent être utilisés pour extraire des informations spécifiques de documents non structurés ou semi-structurés. Par exemple, elle peut parcourir une facture pour récupérer des détails tels que la date, le montant facturé et le nom de l’entreprise.
• Classification des documents : les modèles ML sont utilisés pour catégoriser automatiquement les documents en fonction de leur contenu. Ces algorithmes « lisent » le document, comprennent son contexte et peuvent le classer dans des catégories prédéfinies.
• Validation des données : l’IA générative peut vérifier la sortie du modèle ML chaque fois que le score de confiance est trop bas. Si les deux modèles ML (génératifs et spécialisés) ont la même sortie, un humain peut ignorer la validation de ce document. Cela peut gagner du temps à valider des documents, ainsi qu’à améliorer les performances de vos modèles en vérifiant la sortie à l’aide d’un deuxième modèle génératif.

Modèles ML

Les modèles ML sont comme des assistants virtuels qui ont été entraînés pour apprendre à partir des données et faire des prédictions ou des décisions. Ces modèles sont essentiellement des algorithmes qui apprennent à reconnaître des modèles basés sur des données historiques. Plus ils sont exposés à des données, mieux ils peuvent améliorer leurs prédictions ou leurs décisions au fil du temps.

Vous pouvez trouver plusieurs modèles ML prêts à l’emploi dans Document Understanding^TM. Ces modèles vous permettent de classer et d’extraire tous les points de données les plus courants à partir de documents semi-structurés ou non structurés, sans qu’une configuration soit requise.

Consultez la page Modèles prêts à l’emploi pour obtenir la liste complète des modèles pré-entraînés, ainsi que leurs champs.

Les modèles ML peuvent être entraînés dans la majorité des langues tant que l’OCR reconnaît le document et le texte avec une grande confiance.

OCR (reconnaissance optique de caractères)

La reconnaissance optique de caractères (OCR) est une technologie spéciale utilisée pour convertir différents types de documents, tels que des documents papier numérisés, des fichiers PDF ou des images prises par un appareil photo numérique, en données modifiables et consultables.

La précision d’un moteur OCR dépend le plus souvent de la qualité du document d’origine. Un texte clair et bien formaté dans une police lisible produit généralement le meilleur résultat.

Pour plus d’informations sur les langues prises en charge par les options de moteur OCR proposées par UiPath®, consultez la page Langues prises en charge par l’OCR.