- Vue d'ensemble (Overview)
- Démarrage
- Activités (Activities)
- Tableaux de bord Insights
- Processus Document Understanding
- Didacticiels de démarrage rapide
- Composants de l'infrastructure
- Présentation de la numérisation
- Activités liées à la numérisation
- Moteurs OCR
- Assistant de configuration des classifieurs (Configure Classifiers Wizard) de l'activité Tester l'étendue des classifieurs (Train Classifier Scope)
- Vue d’ensemble de l'entraînement de la classification des documents
- Activités liées à l'entraînement de la classification des documents
- Machine Learning Classifier Trainer
- Assistant de configuration des extracteurs (Configure Extractors Wizard) de l'activité Étendue de l'extraction de données (Data Extraction Scope)
- Vue d’ensemble de l’extraction des données
- Activités liées à l'extraction de données
- Form Extractor
- Extracteur de formulaires intelligents
- Extracteur d'apprentissage automatique
- Regex Based Extractor
- Consommation de données
- Paquets ML
- Vue d'ensemble (Overview)
- Paquets ML - Document Understanding
- Classifieur de documents - Paquet ML
- Paquets ML avec capacités OCR
- 1040 - Paquet ML
- Annexe C du formulaire 1040 Planification C - Paquet ML
- 1040 Planification D - Paquet ML
- Annexe E du formulaire 1040 - Paquet ML
- 4506T - Paquet ML
- 990 - Paquet ML - Aperçu
- ACORD125 - Paquet ML
- ACORD126 - Paquet ML
- ACORD131 - Paquet ML
- ACORD140 - Paquet ML
- ACORD25 - Paquet ML
- États financiers - Paquet ML
- Connaissement - Paquet ML
- Certificat de constitution (Certificate of Incorporation) - Paquet ML
- Certificat d'origine - Paquet ML
- Chèques - Paquet ML
- Certificat de produit pour enfants - Paquet ML
- CMS 1500 - Paquet ML
- Déclaration de conformité UE - Paquet ML
- États financiers - Paquet ML
- FM1003 - Paquet ML
- I9 - Paquet ML
- Cartes d’identité - Paquet ML
- Factures - Paquet ML
- Invoices Australia - ML package
- Invoices China - ML package
- Invoices India - ML package
- Invoices Japan - ML package
- Expédition des factures - Paquet ML
- Listes de colisage - Paquet ML
- Fiches de paie - Paquet ML
- Passeports - Paquet ML
- Bons de commande - Paquet ML
- Reçus - Paquet ML
- RemittanceAdvices - Paquet ML
- Formulaire UB04 - Paquet ML
- Factures de services publics - Paquet ML
- Titres de véhicule - Paquet ML
- W2 - Paquet ML
- W9 - Paquet ML
- Autres paquets ML prêts à l’emploi
- Points de terminaison publics
- Limitations du trafic
- Configuration OCR
- Pipelines
- Services OCR
- Apprentissage profond
- Licences
Présentation de la numérisation
La numérisation est le processus d'obtention d'un texte lisible par une machine à partir d'un fichier entrant donné. Elle rend possible la compréhension de son contenu par un robot et permet à ce dernier d'agir en conséquence. Il s'agit de la première étape appliquée aux fichiers qui doivent être traités via l'infrastructure Document Understanding.
L'étape de numérisation a deux sorties :
- le texte du fichier traité, stocké dans une variable chaîne, et
- le modèle d'objet document de ce fichier – objet JSON contenant des informations de base telles que le nom, le type de contenu, la longueur du texte, le nombre de pages ainsi que des informations détaillées telles que la rotation des pages, la langue détectée, le contenu et les coordonnées de chaque mot identifié dans le fichier.
Dans l'infrastructure de traitement de document, la numérisation est effectuée à l'aide de l'activité Numériser le document (Digitize Document).
Bien que liée, l'étape de numérisation se distingue de l'OCR.
Dans de nombreux cas, les fichiers à traiter sont des fichiers PDF natifs (non numérisés) qui peuvent être lus par programmation par le robot sans appliquer l'OCR.
L'activité Numériser un document (Digitize Document) nécessite, dans le cadre de sa configuration, la sélection d'un moteur OCR afin qu'en cas de besoin, il puisse être utilisé tout en exécutant uniquement l'OCR sur :
- les fichiers images
- les formats d'images pris en charge sont .png, .jpe, .jpg, .jpeg, .tiff, .tif, .bmp
- pour les fichiers TIFF multipages, l'OCR est appliqué pour chaque page
- pages PDF qui
- ne présentent aucun contenu lisible par machine
- contiennent des images qui couvrent une zone significative de la page.
- La limite de taille de fichier est de 160 Mo.
- Il y a un maximum de 500 pages par limite de document.
L'OCR est également toujours appliqué si l'activité Numériser le document (Digitize Document) est configurée avec l'indicateur ForceApplyOCR défini sur True (Vrai). Cette option est généralement recommandée pour les cas d'utilisation dans lesquels un important pourcentage de fichiers semble contenir du contenu natif, mais que le contenu lu de manière native ne correspond pas à ce qu'un utilisateur peut voir dans ces fichiers.
Comme chaque cas d'utilisation a ses propres particularités, il est fortement recommandé de tester tous les moteurs OCR disponibles avec des paramètres différents afin de déterminer celui qui fonctionne le mieux pour votre projet. Nous recommandons également de porter une attention particulière aux arguments du moteur OCR, tels que Profil (Profile), Scale (Échelle), Langue (Language) etc. (peut varier d'un moteur à l'autre) afin d'identifier les meilleurs paramètres par cas d'utilisation.
