Comporre modelli personalizzati

Questo contenuto si applica a:🟩v4.0 (GA) | Versioni precedenti:🟦v3.1 (GA)🟥v3.0 (ritiro)🟥v2.1 (ritiro)

Questo contenuto si applica a:🟩v3.1 (GA) | Ultima versione:🟪v4.0 (GA) | Versioni precedenti:🟦v3.0🟦v2.1

Questo contenuto si applica a:🟥v3.0 (ritiro) | Versioni più recenti:🟪v4.0 (GA)🟪v3.1 (GA) | Versione precedente:🟥v2.1 (ritiro)

Questo contenuto si applica a:🟥v2.1 | Ultima versione:🟪v4.0 (GA)

Un modello composto viene creato prendendo una raccolta di modelli personalizzati e assegnandoli a un singolo ID modello. È possibile assegnare fino a 200 modelli personalizzati sottoposti a training a un singolo ID modello composto. Quando un documento viene inviato a un modello composto, il servizio esegue un passaggio di classificazione per decidere quale modello personalizzato rappresenta in modo accurato il modulo presentato per l'analisi. I modelli composti sono utili quando si esegue il training di diversi modelli e si vogliono raggrupparli per analizzare tipi di modulo simili. Ad esempio, il modello composto può includere modelli personalizzati sottoposti a training per analizzare l'offerta, l'attrezzatura e gli ordini di acquisto di mobili. Anziché tentare manualmente di selezionare il modello appropriato, è possibile usare un modello composto per determinare il modello personalizzato appropriato per ogni analisi ed estrazione.

Per altre informazioni, vedere Modelli personalizzati composti.

Questo articolo illustra come creare e usare modelli personalizzati composti per analizzare moduli e documenti.

Prerequisiti

Per iniziare, sono necessarie le risorse seguenti:

• Scrizioni di Azure. È possibile creare una sottoscrizione Azure gratuita.

• Istanza di Document Intelligence. Dopo aver creato la sottoscrizione Azure, creare una risorsa di Document Intelligence nel portale di Azure per ottenere la chiave e l'endpoint. Se si dispone di una risorsa di Document Intelligence esistente, passare direttamente alla pagina della risorsa. È possibile usare il piano tariffario gratuito (F0) per provare il servizio e eseguire l'aggiornamento in un secondo momento a un livello a pagamento per la produzione.

  1. Dopo la distribuzione della risorsa, selezionare Vai alla risorsa.

  2. Copiare i valori Keys e Endpoint dal portale di Azure e incollarli in una posizione comoda, ad esempio Microsoft Blocco note. Per connettere l'applicazione all'API Document Intelligence sono necessari i valori di chiave ed endpoint.

• Un account di archiviazione Azure. Se non sai come creare un account di archiviazione di Azure, segui la guida introduttiva Archiviazione di Azure per il portale di Azure. È possibile usare il piano tariffario gratuito (F0) per provare il servizio e eseguire l'aggiornamento in un secondo momento a un livello a pagamento per la produzione.

Creare modelli personalizzati

Prima di tutto, è necessario un set di modelli personalizzati da comporre. È possibile usare Document Intelligence Studio, l'API REST o le librerie client. I passaggi sono i seguenti:

• Assembla il set di dati di training
• Carica il tuo set di addestramento su Azure blob storage
• Eseguire il training dei modelli personalizzati

Assemblare il set di dati di training

La creazione di un modello personalizzato inizia con la definizione del set di dati di training. Per il set di dati di esempio sono necessari almeno cinque moduli completati dello stesso tipo. Possono essere di diversi tipi di file (jpg, png, pdf, tiff) e contengono sia testo che grafia. I moduli devono rispettare i requisiti di input per Document Intelligence.

Per suggerimenti su come raccogliere i documenti di training, vedere Creare un set di dati di training .

Caricare il set di dati di training

Dopo aver raccolto un set di documenti di training, è necessario upload i dati di training in un contenitore di archiviazione BLOB Azure.

Se si vogliono usare dati etichettati manualmente, è necessario caricare i file di.labels.json e .ocr.json corrispondenti ai documenti di training.

Addestrare il proprio modello personalizzato

Quando si esegue il training del modello con dati etichettati, il modello usa l'apprendimento supervisionato per estrarre i valori di interesse, usando i moduli etichettati forniti. I dati etichettati generano modelli con prestazioni migliori e possono produrre modelli che funzionano con forme complesse o moduli contenenti valori senza chiavi.

Intelligence per i documenti usa l'API modello di layout predefinito per apprendere le dimensioni e le posizioni previste di caratteri tipografici ed elementi di testo scritti a mano ed estrarre tabelle. Usa quindi le etichette specificate dall'utente per apprendere le associazioni chiave/valore e le tabelle nei documenti. È consigliabile usare cinque forme etichettate manualmente dello stesso tipo (stessa struttura) per iniziare a eseguire il training di un nuovo modello. Aggiungere quindi altri dati etichettati, se necessario, per migliorare l'accuratezza del modello. Document Intelligence consente di addestrare un modello per estrarre coppie chiave-valore e tabelle utilizzando capacità di apprendimento supervisionato.

Creare un modello composto

Con l'operazione di creazione del modello di composizione, è possibile assegnare fino a 100 modelli personalizzati addestrati a un singolo ID del modello. Quando si analizzano i documenti con un modello composto, Document Intelligence classifica innanzitutto il modulo inviato, quindi sceglie il modello assegnato più adatto e restituisce i risultati per tale modello. Questa operazione è utile quando i moduli in ingresso possono appartenere a uno dei diversi modelli.

Grande! Sono stati illustrati i passaggi per creare modelli personalizzati e composti e usarli nei progetti e nelle applicazioni di Document Intelligence.

Passaggi successivi

Prova uno degli avvii rapidi di Document Intelligence:

Document Intelligence usa una tecnologia avanzata di Machine Learning per rilevare ed estrarre informazioni dalle immagini del documento e restituire i dati estratti in un output JSON strutturato. Con Document Intelligence è possibile eseguire il training di modelli personalizzati autonomi o combinare modelli personalizzati per creare modelli composti.

• Modelli personalizzati. I modelli personalizzati di Document Intelligence consentono di analizzare ed estrarre dati da moduli e documenti specifici dell'azienda. I modelli personalizzati vengono addestrati per i tuoi dati specifici e casi d'uso.

• Modelli composti. Un modello composto viene creato prendendo una collezione di modelli personalizzati e raggruppandoli in un unico modello che abbraccia i vostri tipi di modulo. Quando un documento viene inviato a un modello composto, il servizio esegue un passaggio di classificazione per decidere quale modello personalizzato rappresenta in modo accurato il modulo presentato per l'analisi.

In questo articolo viene illustrato come creare modelli personalizzati e composti di Document Intelligence usando lo strumento di etichettatura degli esempi di analisi dei documenti, le API REST o le librerie client.

Strumento di etichettatura di esempio

Provare a estrarre dati da moduli personalizzati usando lo strumento di etichettatura di esempio. Sono necessarie le risorse seguenti:

• Una sottoscrizione Azure: è possibile crearne una gratuitamente

• Istanza Document Intelligence nel portale di Azure. È possibile usare il piano tariffario gratuito (F0) per provare il servizio. Dopo la distribuzione della risorsa, selezionare Vai alla risorsa per ottenere la chiave e l'endpoint.

Nell'interfaccia utente di Intelligenza Documentale:

1. Selezionare Usa l'opzione Personalizzato per addestrare un modello con etichette e ottenere coppie chiave-valore.

1. Nella finestra successiva selezionare Nuovo progetto:

Crea i tuoi modelli

I passaggi per la compilazione, il training e l'uso di modelli personalizzati e composti sono i seguenti:

• Assembla il set di dati di training
• Carica il tuo set di addestramento su Azure blob storage
• Eseguire il training del modello personalizzato
• Comporre modelli personalizzati
• Analizzare i documenti
• Gestire i modelli personalizzati

Assemblare il set di dati di training

La creazione di un modello personalizzato inizia con la definizione del set di dati di training. Per il set di dati di esempio sono necessari almeno cinque moduli completati dello stesso tipo. Possono essere di diversi tipi di file (jpg, png, pdf, tiff) e contengono sia testo che grafia. I moduli devono rispettare i requisiti di input per Document Intelligence.

Caricare il set di dati di training

È necessario caricare i dati di addestramento in un contenitore di archiviazione BLOB di Azure. Se non si sa come creare un account Azure storage con un contenitore, seeArchiviazione di Azure guida introduttiva per Azure portal. È possibile usare il piano tariffario gratuito (F0) per provare il servizio e eseguire l'aggiornamento in un secondo momento a un livello a pagamento per la produzione.

Addestrare il proprio modello personalizzato

Addestri il tuo modello con set di dati etichettati. I set di dati etichettati si basano sull'API di layout predefinita, ma l'input umano supplementare è incluso, come le vostre etichette specifiche e le posizioni dei campi. Inizia con almeno cinque moduli completati dello stesso tipo per i dati di addestramento etichettati.

Quando si esegue il training con dati etichettati, il modello usa l'apprendimento supervisionato per estrarre i valori di interesse, usando i moduli etichettati forniti. I dati etichettati generano modelli con prestazioni migliori e possono produrre modelli che funzionano con forme complesse o moduli contenenti valori senza chiavi.

Document Intelligence usa l'API Layout per apprendere le dimensioni e le posizioni previste del carattere tipografico e degli elementi di testo scritti a mano ed estrarre tabelle. Usa quindi le etichette specificate dall'utente per apprendere le associazioni chiave/valore e le tabelle nei documenti. È consigliabile usare cinque forme etichettate manualmente dello stesso tipo (stessa struttura) per iniziare a eseguire il training di un nuovo modello. Aggiungere altri dati etichettati in base alle esigenze per migliorare l'accuratezza del modello. Document Intelligence consente di eseguire il training di un modello per estrarre coppie chiave-valore e tabelle usando funzionalità di apprendimento supervisionate.

Introduzione al training con le etichette

[! VIDEO https://learn.microsoft.com/Shows/Docs-Azure/Azure-Form-Recognizer/player]

Creare un modello composto

Con l'operazione Model Compose è possibile assegnare fino a 200 modelli personalizzati sottoposti a training a un singolo ID modello. Quando si chiama Analizza con l'ID modello composto, Document Intelligence classifica il modulo inviato per primo, sceglie il modello assegnato più adatto e quindi restituisce i risultati per tale modello. Questa operazione è utile quando i moduli in ingresso possono appartenere a uno dei diversi modelli.

Usando lo strumento di etichettatura di esempio di Document Intelligence, l'API REST o le librerie client, seguire la procedura per configurare un modello composto:

1. Raccogliere gli ID modello personalizzati
2. Comporre i modelli personalizzati

Raccogliere gli ID modello personalizzati

Al termine del processo di training, al modello personalizzato viene assegnato un ID modello. È possibile recuperare un ID modello come segue:

Comporre i modelli personalizzati

Dopo aver raccolto i modelli personalizzati che corrispondono a un singolo tipo di modulo, è possibile componerli in un singolo modello.

Analizzare i documenti con il modello personalizzato o composto

L'operazione di analisi del modulo personalizzato richiede di fornire modelID nella chiamata a Document Intelligence. È possibile specificare un singolo ID modello personalizzato o un ID modello composto per il modelID parametro .

Testare i modelli appena sottoposti a training analizzando i moduli che non fanno parte del set di dati di training. A seconda dell'accuratezza segnalata, potrebbe essere necessario eseguire ulteriori training per migliorare il modello. È possibile continuare il training per migliorare i risultati.

Gestire i modelli personalizzati

È possibile gestire i modelli personalizzati durante tutto il ciclo di vita visualizzando un elenco di tutti i modelli personalizzati nella sottoscrizione, recuperando informazioni su un modello personalizzato specifico ed eliminando modelli personalizzati dall'account.

Grande! Sono stati illustrati i passaggi per creare modelli personalizzati e composti e usarli nei progetti e nelle applicazioni di Document Intelligence.

Passaggi successivi

Per altre informazioni sulla libreria client di Document Intelligence, vedere la documentazione di riferimento sulle API.