Utiliser le gestionnaire de documents

Cette page décrit comment utiliser Data Manager pour labelliser un nouvel ensemble de données et recycler un modèle ML.

Accéder et configurer Data Manager

Launch the created data labeling session in First Run Experience and go to the settings to configure the OCR.

Choose the OCR you intend to use in the OCR method dropdown menu. For UiPathDocumentOCR, paste the Document Understanding license key (retrieve the Document Understanding API key from the Admin > License page) and then paste the OCR URL you generated when you deployed UiPathDocumentOCR.

Configure the prelabelling with the models that you have deployed following the instructions here. Paste the model public ML Skill endpoint and the Document Understanding license key, and then click Save.

Importer des documents

Click the Import button from a Document Manager Session.

Donnez un nom au jeu de données et cliquez sur Parcourir les fichiers à télécharger (Browse files to upload).

Sélectionnez le document que vous souhaitez télécharger.

Cliquez sur Oui (Yes).

Créer des champs d'extraction

Click to create fields to be extracted.

Vous pouvez créer jusqu'à 40 champs.

Pour cet exercice de validation, vous pouvez créer des champs de facture courants tels que date, nom, numero-de-facture et total. Veuillez vous assurer de modifier le type de contenu en conséquence : date (date), nom (string), numéro de facture (string) et total (nombre).

Labelliser des documents

Vous pouvez maintenant commencer à labelliser les documents.

Click the predict button on top to use the base invoice model to predict the labels for the defined fields, and correct it if the prediction is wrong.

Pour modifier l'étiquette, faites glisser la souris sur le champ et appuyez sur le raccourci clavier pour le labelliser (par exemple, d pour labelliser la date dans l'exemple ci-dessous).

Utilisez la flèche du haut pour passer au document suivant jusqu'à ce que vous ayez terminé la validation des libellés pour toutes les factures téléchargées.

Remarque :

Étant donné que le modèle de base Factures (Invoices) a déjà très bien fonctionné et que l'exemple de facture est simple sans présenter trop de variations différentes, la précision de la prédiction est proche de 100 % dans ce cas et vous n'aurez peut-être pas besoin de corriger les étiquettes.

Exporter des documents

Make sure to select the correct dataset in the dataset filtering and click the Export button .

Cliquez sur Exporter (Export).

Accédez à Ensembles de données (Datasets) sous le même projet AI Center : vous devriez pouvoir voir l'ensemble de données d'entraînement exporté.

Former un modèle personnalisé sur AI Center

Accédez à Pipelines > Créer un nouveau fichier (Create new). Veuillez sélectionner le type d'exécution d'évaluation, sélectionner le package de modèle et l'ensemble de données d'entrée.

Veuillez sélectionner le sous-dossier sous Exporter (Export) comme ensemble de données d'entrée.

Cliquez sur Créer (Create) pour démarrer le pipeline. L'exécution du pipeline sur les machines à processeur peut prendre 1 à 2 heures.

Déployer le modèle ML recyclé en tant que compétence ML

Accédez à Compétences ML (ML Skills) et créez une nouvelle compétence ML.

Choisissez le même package de modèle de facture créé auparavant. Comme nous avons reformé le modèle, il existe maintenant une nouvelle version mineure du package (1 vs 0). Assurez-vous de sélectionner le dernier.

Une fois la compétence ML créée, accédez à Modifier le déploiement actuel (Modify current deployment) pour rendre la compétence ML publique. Activez la bascule et cliquez sur Confirmer (Confirm).

Copiez l'URL de la compétence ML publique pour une utilisation ultérieure.

Félicitations ! Vous avez maintenant recyclé un modèle Facture (Invoice) avec votre propre ensemble de données et créé le point de terminaison pour accéder au modèle.