このドキュメントでは、Document AI の使用に関する基本的なコンセプトについて説明します。他のドキュメントやクイックスタートに進む前に、このページをお読みください。
ドキュメント処理ワークフローを自動化する
世界中の企業が、情報の保存と伝達にドキュメントを大きく依存しています。この情報は、有用なものにするためにデジタル化が必要になることがよくあります。しかし、これは通常、時間のかかる手動プロセスによって行われます。
次に例を示します。
- 電子書籍リーダー向けに書籍をデジタル化する。
- 診療所での問診票の処理。
- 経費報告書の検証のために領収書と請求書を解析する。
- ID カードに基づく本人確認。
- ローンを承認するために、税務フォームから収入情報を抽出する。
- 主要なビジネス契約条件の契約を理解する。
これらの各ワークフローでは、ドキュメントから未加工のテキストを取得し、必要なデータ（フィールドまたはエンティティ）に対応する特定のテキストを抽出します。ただし、ドキュメントの種類ごとに構造とレイアウトが異なり、フィールドのパターンは特定のユースケースによって異なります。
Document AI コンポーネント
Document AI は、ドキュメントから非構造化データを取り出して構造化データ（データベースに適した特定のフィールド）に変換し、ドキュメントを簡単に理解、分析、利用できるようにする、ドキュメント処理と理解のためのプラットフォームです。
Document AI は、Vertex AI 内のプロダクトの上に構築されており、生成 AI を使用して、機械学習（# Cloud では「ML」とする）の専門知識がなくても、スケーラブルなエンドツーエンドのクラウドベースのドキュメント処理アプリケーションを作成できます。
Document AI を使用すると、次のことができます。
- OCR を使用してドキュメントをデジタル化し、テキスト、レイアウト、さまざまなアドオン（画質検出（読みやすさのため）、デスキュー（完全自動）など）を取得します。
- ドキュメント ファイルからテキストとレイアウト情報を抽出し、エンティティを正規化します。
- 構造化フォームと通常のテーブルで Key-Value ペア（kvp）を識別します。たとえば、
Name: Jill Smithは Key-Value ペアです。 - ドキュメント タイプを分類して、抽出や保存などのダウンストリーム プロセスを推進します。
- ドキュメントをタイプ別に分割、分類します。たとえば、複数の実際のドキュメントを含む PDF ファイル。
- 自動ラベル付け、スキーマ管理、データセット管理機能（ドキュメントや予測のレビューなど）を使用して、ファインチューニングとモデル評価で使用するデータセットを準備します。
- Cloud Storage、BigQuery、Agent Search などのプロダクトと統合して、ドキュメントとメタデータの保存、検索、整理、管理、分析を支援します。
この図は、Document AI でサポートされている主要なドキュメント処理ステップと、それらのステップがどのように相互接続されるかを示しています。
プロセッサ
Document AI プロセッサは、ドキュメント ファイルと、ドキュメント処理と理解を行う ML モデルとの間にあります。プロセッサはドキュメントの分類、分割、解析、分析に使用されます。
Google Cloud プロジェクトごとに、独自のプロセッサ インスタンスを作成する必要があります。
プロセッサは次のいずれかのカテゴリに分類されます。
- デジタル化: OCR。
- 抽出: カスタム エクストラクタ、フォーム パーサー、レイアウト パーサー、事前トレーニング済みパーサー。
- 分類: カスタム分類器とカスタム スプリッター。
Document AI で利用できる全プロセッサ タイプについては、すべてのプロセッサと詳細の一覧をご確認ください。
どのプロセッサを使用するべきか？
特定のアプリケーションに使用するプロセッサ タイプを決定する際の一般的なガイドラインは次のとおりです。
| カテゴリ | ユースケース | プロセッサ タイプ |
|---|---|---|
| デジタル化 | ドキュメントからテキストとレイアウト情報を抽出します。 | Enterprise Document OCR |
| ドキュメントのスキャンされた画像の品質（読みやすさ）を分析します。 | Enterprise Document OCR（画質分析が有効） | |
| カスタム プロセッサの条件を満たしていないカスタム ドキュメントからエンティティを抽出する。 | ||
| 抽出 | ドキュメント内の構造化フォームからテーブルまたは kvp を抽出します。 | Form パーサー |
| ドキュメント内のテキスト、表、リストなどの要素を抽出し、コンテキストを認識したチャンクを返します。 | Gemini レイアウト パーサー | |
| カスタム プロセッサの条件を満たすカスタム ドキュメントからエンティティを抽出します。 | カスタム エクストラクタを作成する | |
| 特殊なドキュメント タイプからエンティティを抽出します。 | 事前トレーニング済みプロセッサ（品質を向上させるためのアップトレーニング）。 | |
| 分類 | ドキュメントを分類する。 | カスタム分類器を作成する |
| ドキュメントを分割します。 | カスタム スプリッターを作成する |
この図は、各ユースケースに最適なプロセッサを判断するのに役立ちます。
Document AI プロセッサを使用する
Document AI を使用してドキュメントの処理を開始する主な手順は次のとおりです。
ユースケースに適したプロセッサを選択します。
- 各プロセッサの詳細については、すべてのプロセッサと詳細の一覧をご覧ください。
Google Cloud コンソールまたは Document AI API を使用してプロセッサを作成します。
Document AI は、ドキュメントを送信できる予測エンドポイントを作成します。
詳細な手順については、プロセッサの作成をご覧ください。
トレーニング データとテストデータを使用してプロセッサをゼロからトレーニングするか、既存のプロセッサ バージョンの上に新しい（事前トレーニング済みの）プロセッサ バージョンをアップトレーニングします。
- 詳細な手順については、プロセッサをトレーニングするをご覧ください。
処理対象のドキュメントを送信します。
Document AI はドキュメントを処理し、抽出された構造化情報を含む 1 つ以上の
Documentオブジェクトを返します。詳しい手順については、処理リクエストの送信と処理レスポンスの処理をご覧ください。