- Introdução
- Componentes do framework
- Pacotes de ML
- Pipelines
- Gerenciador de Dados
- Serviços de OCR
- Document Understanding implantado no Automation Suite
- Document Understanding implantado no AI Center autônomo
- Aprendizagem profunda
- Licenciamento
- Referências
- UiPath.Abbyy.Activities
- UiPath.AbbyyEmbedded.Activities
- UiPath.DocumentUnderstanding.ML.Activities
- UiPath.DocumentUnderstanding.OCR.LocalServer.Activities
- UiPath.IntelligentOCR.Activities
- UiPath.OCR.Activities
- UiPath.OCR.Contracts
- UiPath.DocumentProcessing.Contracts
- UiPath.OmniPage.Activities
- UiPath.PDF.Activities
![](https://docs.uipath.com/_next/static/media/grid.05ebd128.png?w=3840&%3Bq=100)
Caixas de seleção e assinaturas
No contexto de um modelo de Extração de ML, uma caixa de seleção não é um valor real, mas uma maneira de selecionar uma determinada parte do texto.
Por causa disso, a palavra próxima a ela se torna o ponto de foco, não a caixa de seleção. E esse é justamente o objetivo da caixa de seleção, servir de âncora para uma palavra específica.
Consequentemente, para treinar um modelo de ML, você precisa rotular a palavra, não a caixa de seleção.
Em alguns casos, a caixa de seleção não é detectada. Por exemplo, o OCR pode lê-lo como um X, ou talvez seja apenas uma marca manuscrita que não chega a ser identificada. O modelo de ML pode aprender e associar todas essas situações com a palavra ao lado da marca.
Portanto, é mais robusto treinar um modelo para reconhecer uma palavra, independentemente de como ela é selecionada: com uma caixa de seleção, com um X ou com uma marca manuscrita (circulada, sublinhada, etc.).
Para o exemplo acima, você pode criar três campos no Data Manager da seguinte forma:
- condition-employment (rotule a palavra YES);
- condition-auto-accident (rotule a palavra YES);
- condition-other-accident (rotule a palavra NO).
O modelo de ML aprende a reconhecer essas palavras, sejam elas marcadas por caixas de seleção, Xs ou apenas circuladas com caneta. Para fazer isso, você pode usar o UiPath Document OCR, que pode reconhecer até caixas de seleção.
Há casos em que não há rótulo associado a uma caixa de seleção. Por exemplo, quando as caixas de seleção fazem parte de tabelas.
Aqui está um exemplo típico:
Neste caso, é necessário rotular as caixas. O extrator retornará o valor da string da caixa de seleção, relativo a um desses dois caracteres:
- ☒
- ☐
checked
ou unchecked
. Além disso, o framework IntelligentOCR sabe como reconhecê-los, especialmente se um campo for definido como Boolean
:
- se o extrator retorna ☒, isso corresponde a YES;
- se o extrator retorna ☐, isso corresponde a NO.
Nos casos em que uma caixa desmarcada é retornada como O ou D, ou quando uma caixa marcada é retornada como X, V, K ou R, também podem ser incluídas na lógica do fluxo de trabalho de RPA para tornar o fluxo de trabalho mais robusto quando esses tipos de erros de OCR ocorrem.
As assinaturas são recursos visuais que não são detectados por nenhum mecanismo de OCR, portanto, um modelo de ML não pode detectá-las diretamente.
No entanto, os Modelos de ML UiPath aprendem observando as palavras e os pixels na imagem. É possível fazer detecção de assinatura fazendo uso desse recurso.
Tomemos como exemplo o formulário abaixo.
No final da página, ao lado da assinatura, há o texto Assinatura do cidadão americano. Não importa qual seja o texto, desde que esteja próximo o suficiente da assinatura (sempre que a assinatura existir). Lidar com uma assinatura é semelhante a lidar com uma caixa de seleção - consulte a seção Caixas de seleção acima.
Você pode criar um campo de texto chamado assinatura e, quando o documento tiver uma assinatura, rotule as palavras Assinatura de cidadão americano como o campo de assinatura. Quando o documento não tiver assinatura, você deixa o campo vazio.
Portanto, você deve se certificar de que seu conjunto de treinamento tenha aproximadamente metade dos documentos com assinatura e metade sem. Também pode ser cerca de 60/40%, mas não 80/20% ou 90/10%. Além disso, você deve ter pelo menos 20 a 30 amostras de cada para que o modelo possa aprender.
Dessa forma, é possível usar o modelo de ML para detectar assinatura.