应用预先训练的 SDU 模型

应用预先构建的智能文档理解 (SDU) 模型，该模型可抽取文本并进行训练以识别文档中的表，列表和部分。

如果文档包含具有要捕获的有价值信息的表，请使用预先训练的模型。 该模型还能够保留表，列表和部分的嵌套结构中固有的含义。 使用预先训练的模型可加快从文档结构捕获信息的过程。

如果要定制如何使用文档结构从文档推断含义，或者要使用 SDU 模型生成的字段拆分文档，请改为创建用户训练的模型。 有关更多信息，请参阅 定义用户训练的 SDU 模型。

预先训练的模型将自动应用于 Document Retrieval for Contract 项目。 项目不会在文档中注释与合同相关的内容，而是应用已知道如何识别对合同具有重要意义的术语和概念的模型。

准备文档

只能将预训练的 SDU 模型应用于以下文件类型:

  • 图像文件 (PNG，TIFF 和 JPG)
  • Microsoft PowerPoint
  • Microsoft Word
  • PDF

要获取 Discovery 支持的文件类型的完整列表，请参阅 支持的文件类型。

“智能文档理解”工具使用光学字符识别 (OCR) 从其分析的文件中的图像中抽取文本。 映像必须满足 OCR 支持的最低质量要求。 有关更多信息，请参阅 光学字符识别。

该工具无法读取具有以下特征的文档; 请在开始之前将其从集合中除去:

  • 如果文档中的文本与其他文本重叠，则视为双重覆盖，无法添加注释。
  • 不能对在单个页面上包含多个文本列的文档进行注释。

当您应用智能文档理解模型时，由于将AI模型应用到文档需要占用资源，因此您的收藏转换时间可能会增加。

应用预先训练的模型

要将预先训练的“智能文档理解”模型应用于集合，请完成以下步骤:

  1. 从导航面板打开“管理集合”页面。

  2. 选择要应用模型的集合。

  3. 打开 “识别字段” 页面。

  4. 选择 预训练模型

    缺省情况下使用 仅文本抽取 选项。 通过此模型，将在 text 字段中对源文档中识别的任何文本建立索引。

  5. 单击 提交，然后单击 应用更改并重新处理。

了解输出

如果 SDU 模型在文档中找到并处理结构 (例如表)，那么它会将该结构的表示存储在名为 enriched_{field} 的字段中，其中 {field} 是存储该结构的字段。

以下摘录显示了由预先训练的 SDU 模型处理的文档的 enriched_html 字段中表的 JSON 表示。

显示包含 enriched_html 字段的 JSON 片段，该字段的表对象包含诸如 section_title，row_headers，table_headers 和 location 等部分。
JSON table representation

如果要从已处理的结构中抽取文本，那么可以使用 location 字段来查找用于标识文本字符串开始和结束位置的索引值。

有关已建立索引的表的结构的更多信息，请参阅 了解表。

对问题进行故障诊断

如果在使用“智能文档理解”工具时迂到问题，请遵循以下变通方法。

用于处理文档的资源不足

错误
将预先训练的模型应用于集合时，文档处理未成功完成，并且将显示 Insufficient resources to process document 消息。
原因
显示该错误是因为在构建机器学习模型的过程的解析，结构标识或组装阶段发生内存不足错误。 当集合中的一个或多个文档过大或有太多复杂表可供工具处理时，资源不足。
解决方案
在将预先训练的模型应用于集合之前，请查看集合中的大型文档或具有许多表的文档，并将其拆分为更多更小的文档。 根据文档的复杂性，精确限制有所不同。 通常，拆分长度超过 400 页的文档，并避免在单个文档中包含 20 个以上的复杂表。