データ抽出の概要

データ抽出とは

データ抽出は、ドキュメントの種類からユーザーが関心のある具体的な情報を特定するのに役立つ Document Understanding^TM フレームワークのコンポーネントです。

データ抽出の対象となる情報は、プロジェクトのタクソノミーにおいて、そこで定義された特定のドキュメントの種類のフィールドリストとして定義されます。プロジェクトのタクソノミーに表示されないフィールドを、自動データ抽出用に設定することはできません。

Document Understanding フレームワークのデータ抽出手順により、設定された抽出器が、処理されているファイルの正しいフィールドリスト、正しいページ範囲に対して、正しい順序で呼び出されるようになります。つまり、同じファイル内で 2 つ以上のドキュメントの種類が特定された場合 (異なるページ範囲に対して)、データ抽出手順を複数回 (各分類結果に対して 1 回ずつ) 実行することが推奨されます。特定のページ範囲の 1 つの分類結果に対してデータ抽出を実行することで、データはそれらのページからのみ、そのドキュメントの種類のみを対象に抽出されるようになります。

データ抽出コンポーネントの使用方法

データ抽出は、[データ抽出スコープ] アクティビティを使用して行われます。このスコープアクティビティには、データ抽出のための 1 つ以上のアルゴリズムを設定して実行し、さらにすべてのニーズに対応する簡単な単一の設定オプションを提供する役割があるため、1 つ以上の抽出器を使用して、データをドキュメントから抽出します。

[データ抽出スコープ] で行われることを、以下に簡潔にまとめます。

すべての抽出器 (抽出アルゴリズム) の実行に必要な設定と入力を行います。
1 つ以上の抽出器を受け入れます。
抽出器レベルでのフィールドレベルのアクティブ化、タクソノミーのマッピング、および最小信頼度閾値の設定を可能にします。
抽出されたデータを、その特定のデータを報告した抽出器に関係なく、統一された方法で報告します。

[データ抽出スコープ] は、抽出器を設定ウィザードを使用して設定できます。以下をカスタマイズできます。

各抽出器から要求されるフィールド
分類器ごとの、特定のデータポイント抽出器の最小信頼度閾値
フィールドレベルでの、プロジェクトのタクソノミーと抽出器の内部タクソノミー間のタクソノミーマッピング (ある場合)

ハイブリッドアプローチでは、さまざまな抽出器を組み合わせることができます。このアプローチでは、いくつかのフィールドを特定の抽出器によって抽出し、他のフィールドは別の抽出器によって抽出するよう要求できます。

データ抽出に「フォールバック」ルールを実装することもできます。特定の抽出器が特定のフィールドの許容値を報告しない場合は、バックアップ抽出器を呼び出します。

[データ抽出スコープ] 内の抽出器の順序は重要です。

抽出器は、左から優先的に実行されます。
フィールドの抽出値は、その抽出器に設定された最小信頼度閾値以上の信頼度がある場合にのみ許容されます。
抽出器は、指定された分類ページ範囲のみ、かつ、[データ抽出スコープ] の設定に従って要求されたフィールドと前の抽出器からまだ許容できる結果を取得していないフィールドに対してのみ実行されます。

重要: [データ抽出スコープ] が特定の抽出器からフィールドを要求しない場合、その抽出器は実行されません。抽出器が受け取る特定のドキュメントの種類に対して設定されていない場合や、抽出器が「フォールバック」として使用されており、前の抽出器が予期されるすべてのデータを既に報告した場合などがこれに該当します。