Labelliser des documents

Pour connaître les volumes de documents nécessaires, consultez Pipelines.

Pour plus de détails sur la façon d'assembler un ensemble de données de haute qualité, consultez Entraîner des modèles hautement performants.

Champs qui apparaissent plusieurs fois sur le même document

Il existe de nombreuses situations où un champ apparaît à plusieurs endroits dans le même document, voire sur la même page. Ceux-ci doivent tous être labellisés du moment qu'ils ont la même signification.

Par exemple, le montant total des factures de services publics. Il apparaît souvent en haut, dans une liste d'éléments au milieu, ou dans une fiche de paie, en bas, dans une zone qui peut être détachée et envoyée par la poste avec le chèque. Dans cette situation, les trois occurrences devront être labellisées. Ceci est utile car, dans certains cas, s'il y a une erreur d'OCR ou si la mise en page est différente et qu'un champ ne peut pas être identifié, le modèle peut toujours identifier les autres occurrences.

Remarque : ce qui compte, c'est le sens de la valeur, pas la valeur elle-même. Par exemple, sur certaines factures non imposables, le montant net et le montant total ont la même valeur. Mais ce sont clairement des concepts différents. Par conséquent, ils ne doivent pas être labellisés à la fois comme montant total, mais uniquement comme celui dont l'objectif est de représenter le montant total.

Labellisation de plusieurs utilisateurs en parallèle

Vous pouvez demander à plusieurs utilisateurs d'utiliser la même instance pour pouvoir labelliser en même temps, même sur le même document.

S'il y a des modifications simultanées sur le schéma, pour un utilisateur, la modification est appliquée, et pour l'autre ou les autres, un message d'avertissement s'affiche indiquant que les modifications n'ont pas pu être effectuées. Les autres utilisateurs doivent immédiatement actualiser leur navigateur pour voir les modifications.

Labellisation pour l'entraînement

Lorsque vous importez un ensemble de données sans cocher la case En faire un ensemble de tests (Make this an Evaluation set) dans la boîte de dialogue Importer des données (Import Data), cet ensemble de données sera utilisé pour l'entraînement et vous n'aurez qu'à vous concentrer sur la labellisation des mots (boîtes grises) sur le document.

Si de temps en temps, le texte qui est rempli dans les champs de la barre latérale n'est pas correct, ce n'est pas un problème car le modèle ML apprend toujours. Dans certains cas, vous devrez peut-être ajuster la configuration des champs, par exemple, en cochant la case Multi-ligne (Multi-line). Mais, en général, l'accent est mis sur la labellisation des mots sur la page.

Labellisation pour évaluation

Lorsque vous importez un ensemble de données et que vous cochez la case En faire un ensemble de tests (Make this an Evaluation set) dans la boîte de dialogue Importer des données (Import Data), cet ensemble de données ne sera pas utilisé par les pipelines d'entraînement (Training Pipelines) dans AI Center, mais uniquement par les pipelines d'évaluation (Evaluation Pipelines).

Il est important que le texte correct soit rempli dans les champs de la barre latérale (ou la barre supérieure pour les champs de colonne). Cela prend beaucoup plus de temps à vérifier pour chaque champ, mais c'est le seul moyen d'obtenir une mesure fiable de la précision du modèle de ML que vous construisez.

À partir de la version 2021.10, Data Manager prend en charge la labellisation des documents multi-pages. Par conséquent, les champs de la barre latérale ont une valeur unique pour l'ensemble du document. Cela reflète étroitement le comportement au moment de l'exécution dans le workflow RPA et permet aux pipelines d'évaluation dans AI Center de produire des scores réalistes reflétant les performances d'exécution réelles des modèles ML.

Cependant, gardez à l'esprit qu'il s'agit d'un changement majeur par rapport aux versions précédentes où chaque page était labellisée séparément. La labellisation et l'exportation de documents de plusieurs pages supposent que chaque document représente un seul document logique. Par exemple, un document de six pages peut contenir une seule facture de six pages, mais il ne doit pas contenir trois factures différentes de deux pages chacune. Ceci est particulièrement important pour les ensembles d'évaluation.

Actions de labellisation

Voir ci-dessous les principales actions que vous devez effectuer lors de la labellisation des documents. Un champ donné peut être labellisé à plusieurs endroits sur la même page.

Labelliser un champ

Sélectionnez une zone de texte individuelle en cliquant dessus.

Pour sélectionner plusieurs mots, cliquez sur le premier mot, puis Ctrl / Shift + cliquez sur le reste des mots souhaités ou sélectionnez une zone entière en faisant glisser la souris (cadre de sélection) dessus.

Pour désélectionner certaines zones de texte de votre sélection, tout en appuyant sur Ctrl / Shift, cliquez ou étirez à nouveau les zones de texte indésirables.

Lorsque votre sélection est précise, appuyez sur la touche de raccourci pour labelliser le champ.

Supprimer un libellé

Sélectionnez des mots, puis appuyez sur la touche Delete ou Backspace de votre clavier.

Grouper une ligne de tableau

Après avoir labellisé certains champs de colonne, et seulement si certaines lignes s'étendent sur plusieurs lignes de texte, vous pouvez les regrouper en appuyant sur la touche / pour indiquer qu'elles font partie de la même ligne de tableau. Une boîte verte apparaîtra autour du groupe.

Dissocier une ligne de tableau

Sélectionnez le groupe et appuyez à nouveau sur la touche /.

Apporter des corrections à la valeur labellisée

Cliquez sur le texte dans la barre latérale ou la barre supérieure et modifiez le contenu. Un petit cadenas apparaît pour indiquer que le champ a été modifié manuellement. Ceci est nécessaire lors de la labellisation des ensembles de tests.