Composer des modèles personnalisés

Ce contenu s’applique à :v4.0 (préversion) | Versions précédentes :v3.1(GA)v3.0 (GA)v2.1 (GA)

Pour créer un modèle composé, vous associez une collection de modèles personnalisés à un ID modèle unique. Il est possible d’attribuer jusqu’à 200 modèles personnalisés entraînés à un même ID modèle composé. Quand un document est soumis à un modèle composé, le service effectue une étape de classification pour déterminer le modèle personnalisé qui représente précisément le formulaire présenté pour l’analyse. Les modèles composés sont utiles quand vous avez entraîné plusieurs modèles et que vous souhaitez les regrouper pour analyser des types de formulaires similaires. Par exemple, votre modèle composé peut inclure des modèles personnalisés qui sont entraînés pour analyser vos approvisionnements, vos équipements et vos bons de commande de mobilier. Au lieu d’essayer de sélectionner manuellement le modèle approprié, vous pouvez utiliser un modèle composé pour déterminer le modèle personnalisé approprié pour chaque analyse et extraction.

Pour plus d’informations, consultez Modèles personnalisés composés.

Dans cet article, vous allez apprendre à créer et à utiliser des modèles personnalisés composés pour analyser vos formulaires et vos documents.

Prérequis

Pour commencer, vous avez besoin des ressources suivantes :

• Un abonnement Azure. Vous pouvez créer un abonnement Azure gratuit.

• Une instance Intelligence documentaire. Une fois que vous avez votre abonnement Azure, créez une ressource Intelligence Documentaire dans le portail Azure pour obtenir votre clé et votre point de terminaison. Si vous disposez déjà d’une ressource Intelligence Documentaire, accédez directement à la page de la ressource. Vous pouvez utiliser le niveau tarifaire Gratuit (F0) pour tester le service, puis passer par la suite à un niveau payant pour la production.

  1. Une fois la ressource déployée, sélectionnez Accéder à la ressource.

  2. Copiez les valeurs Clés et point de terminaison sur le portail Azure et collez-les à un emplacement commode, par exemple le Bloc-notes Microsoft. Vous avez besoin des valeurs de la clé et du point de terminaison pour connecter votre application à l’API Intelligence Documentaire.

  

  Conseil

  Pour plus d’informations, consultez l’article Créer une ressource Intelligence documentaire.

• Un compte de stockage Azure. Si vous ignorez comment créer un compte de stockage Azure, suivez le Guide de démarrage rapide du Stockage Azure pour le Portail Azure. Vous pouvez utiliser le niveau tarifaire Gratuit (F0) pour tester le service, puis passer par la suite à un niveau payant pour la production.

Création de modèles personnalisés

Tout d’abord, vous avez besoin d’un ensemble de modèles personnalisés à composer. Vous pouvez utiliser Document Intelligence Studio, l’API REST ou les Kit de développement logiciel (SDK) de bibliothèque de client. La procédure comporte trois étapes :

• Assembler votre jeu de données d’apprentissage
• Charger votre set d’apprentissage sur le Stockage Blob Azure
• Effectuer l’apprentissage de votre modèle personnalisé

Assembler votre jeu de données d’apprentissage

La création d’un modèle personnalisé commence par l’établissement de votre jeu de données d’apprentissage. Vous avez besoin d’un minimum de cinq formulaires remplis du même type pour votre exemple de jeu de données. Il peut s’agir de différents types de fichiers (jpg, png, pdf, tiff). Ils peuvent contenir à la fois du texte et de l’écriture manuscrite. Vos formulaires doivent respecter les critères d’entrées d’Intelligence documentaire.

Conseil

Pour optimiser votre jeu de données à des fins d’apprentissage, suivez ces conseils :

• Si possible, utilisez des documents PDF utilisant du texte au lieu d’images. Les fichiers PDF numérisés sont traités comme des images.
• Pour les formulaires remplis, utilisez les exemples dont les champs sont tous renseignés.
• Utilisez des formulaires avec des valeurs différentes dans chaque champ.
• Si vos images de formulaire sont de faible qualité, utilisez un plus grand jeu de données (par exemple, 10 à 15 images).

Consultez Créer un jeu de données d’entraînement pour obtenir des conseils sur la collecte de vos documents d’entraînement.

Charger votre jeu de données d’apprentissage

Une fois que vous avez recueilli un ensemble de documents d’entraînement, vous devez charger vos données d’entraînement sur un conteneur Stockage Blob Azure.

Si vous souhaitez utiliser des données étiquetées manuellement, vous devez charger les fichiers .labels.json et .ocr.json correspondant à vos documents d’entraînement.

Effectuer l’apprentissage de votre modèle personnalisé

Quand vous entraînez votre modèle avec des données étiquetées, le modèle a recours à l’entraînement supervisé pour extraire les valeurs dignes d’intérêt en utilisant les formulaires étiquetés que vous fournissez. Des données étiquetées aboutissent à des modèles plus performants et peuvent engendrer des modèles qui fonctionnent avec des formulaires complexes ou des formulaires contenant des valeurs sans clés.

Intelligence documentaire utilise l’API du modèle prebuilt-layout pour apprendre la taille et la position attendues des éléments de police et manuscrits, et extraire des tableaux. Ensuite, il utilise des étiquettes spécifiées par l’utilisateur pour connaître les associations clé/valeur et les tables dans les documents. Nous vous recommandons d’utiliser cinq formulaires étiquetés manuellement du même type (même structure) pour commencer l’entraînement d’un nouveau modèle. Ajoutez ensuite d’autres données étiquetées, selon les besoins, pour améliorer la précision du modèle. Intelligence documentaire permet d’effectuer l’apprentissage d’un modèle pour extraire des paires clé-valeur et des tableaux à l’aide de fonctionnalités d’apprentissage supervisé.

Document Intelligence Studio

Pour créer des modèles personnalisés, commencez par configurer votre projet :

1. Dans la page d’accueil de Studio, sélectionnez Créer à partir de la carte Modèle personnalisé.

2. Utilisez la commande ➕ Créer un projet pour lancer l’Assistant Nouvelle configuration de projet.

3. Entrez les détails du projet, sélectionnez l’abonnement Azure et la ressource, ainsi que le conteneur de stockage Blob Azure qui contient vos données.

4. Passez en revue et envoyez vos paramètres pour créer le projet.

Durant la création de vos modèles personnalisés, vous devrez peut-être extraire des collections de données de vos documents. Les collections peuvent apparaître dans l’un des deux formats. Utilisation de tables en tant que modèle visuel :

• Nombre dynamique ou variable de valeurs (lignes) pour un ensemble donné de champs (colonnes)

• Collection spécifique de valeurs pour un ensemble donné de champs (colonnes et/ou lignes)

Consultez Document Intelligence Studio : étiquetage en tant que tableaux

REST API

L’entraînement avec étiquettes offre de meilleures performances dans certains scénarios. Pour vous entraîner avec des étiquettes, vous devez disposer de fichiers d’information spéciaux sur les étiquettes (<filename>.pdf.labels.json) dans votre conteneur de stockage de blob, à côté des documents d’entraînement.

Les fichiers d’étiquette contiennent des associations clé-valeur qu’un utilisateur a entrées manuellement. Elles sont nécessaires pour l’entraînement des données étiquetées, mais tous les fichiers sources n’ont pas besoin d’un fichier d’étiquettes correspondant. Les fichiers sources sans étiquette sont traités comme des documents d’entraînement ordinaires. Nous vous recommandons d’utiliser au moins cinq fichiers étiquetés pour effectuer un entraînement fiable. Vous pouvez utiliser un outil d’IU comme Document Intelligence Studio pour générer ces fichiers.

Une fois que vous disposez de vos fichiers étiquetés, incluez-les en appelant la méthode d’apprentissage avec le paramètre useLabelFile défini sur true.

Fournisseurs de données pour la connexion à Azure Analysis Services

L’entraînement avec étiquettes offre de meilleures performances dans certains scénarios. Pour vous entraîner avec des étiquettes, vous devez disposer de fichiers d’information spéciaux sur les étiquettes (<filename>.pdf.labels.json) dans votre conteneur de stockage de blob, à côté des documents d’entraînement. Une fois que vous disposez de vos fichiers, appelez la méthode d’apprentissage avec le paramètre useTrainingLabels défini sur true.

Langage	Méthode
C#	StartBuildModel
Java	beginBuildModel
JavaScript	beginBuildModel
Python	begin_build_document_model

Créer un modèle composé

Notes

L’opération create compose model n’est disponible que pour les modèles personnalisés dont l’apprentissage est effectué avec des étiquettes. Toute tentative de composition de modèles sans étiquette génère une erreur.

L’opération create composed model permet d’attribuer un même ID de modèle unique à 100 modèles personnalisés entraînés. Quand vous analysez des documents avec un modèle composé, Intelligence documentaire classe d’abord le formulaire envoyé, choisit ensuite le modèle attribué qui correspond le mieux, puis retourne les résultats pour ce modèle. Cette opération est utile quand les formulaires entrants sont susceptibles d’appartenir à l’un des différents modèles.

Document Intelligence Studio

Une fois le processus d’apprentissage terminé, vous pouvez commencer à créer votre modèle composé. Voici la procédure à suivre pour créer et utiliser des modèles composés :

• Collecter vos ID de modèles personnalisés
• Composer vos modèles personnalisés
• Analyser des documents
• Gérer vos modèles composés

Recueil des ID de modèle

Lorsque vous effectuez l'apprentissage de modèles à l’aide de Document Intelligence Studio, l’ID de modèle se trouve dans le menu Modèles sous un projet :

Composer vos modèles personnalisés

1. Sélectionnez un projet de modèles personnalisés.

2. Dans le projet, sélectionnez l’élément de menu Models.

3. Dans la liste des modèles obtenue, sélectionnez les modèles que vous souhaitez composer.

4. Choisissez le bouton Composer dans le coin supérieur gauche.

5. Dans la fenêtre contextuelle, nommez le modèle que vous venez de composer, puis sélectionnez Composer.

6. Une fois l’opération effectuée, le modèle récemment composé apparaît dans la liste.

7. Une fois que le modèle est prêt, utilisez la commande Tester pour le valider avec vos documents de test et observer les résultats.

Analyser des documents

L’opération Analyser du modèle personnalisé vous oblige à indiquer le modelID dans l’appel à Intelligence documentaire. Spécifiez l’ID du modèle composé comme paramètre modelID dans vos applications.

Gestion des modèles composés

Vous pouvez gérer vos modèles personnalisés tout au long des cycles de vie :

• Test et validation de nouveaux documents
• Téléchargement du modèle pour l’utiliser dans vos applications
• Suppression du modèle une fois son cycle de vie terminé

REST API

Une fois le processus d’apprentissage terminé, vous pouvez commencer à créer votre modèle composé. Voici la procédure à suivre pour créer et utiliser des modèles composés :

• Composer vos modèles personnalisés
• Analyser des documents
• Gérer vos modèles composés

Composer vos modèles personnalisés

L’API de composition de modèle accepte la liste des ID de modèles à composer.

Analyser des documents

Pour effectuer une demande Analyser le document, utilisez un nom de modèle unique dans ses paramètres.

Gestion des modèles composés

Vous pouvez gérer des modèles personnalisés pour l’ensemble de vos besoins de développement, notamment copier, répertorier et supprimer vos modèles.

Fournisseurs de données pour la connexion à Azure Analysis Services

Une fois le processus d’apprentissage terminé, vous pouvez commencer à créer votre modèle composé. Voici la procédure à suivre pour créer et utiliser des modèles composés :

• Créer un modèle composé
• Analyser des documents
• Gérer vos modèles composés

Créer un modèle composé

Vous pouvez utiliser le langage de programmation de votre choix pour créer un modèle composé :

Langage de programmation	Exemple de code
C#	Modèle composé
Java	Modèle composé
JavaScript	Composer un modèle
Python	Créer un modèle composé

Analyser des documents

Une fois que vous avez généré votre modèle composé, vous pouvez l’utiliser pour analyser les formulaires et les documents. Utilisez votre model ID composé et laissez le service décider quel modèle personnalisé agrégé correspond en fonction du document fourni.

Langage de programmation	Exemple de code
C#	Analyser un document avec un modèle personnalisé/composé avec un ID de modèle
Java	Analyser un document avec un modèle personnalisé/composé avec un ID de modèle
JavaScript	Analyser un document avec un modèle personnalisé/composé avec un ID de modèle
Python	Analyser un document avec un modèle personnalisé/composé avec un ID de modèle

Gestion des modèles composés

Vous pouvez gérer un modèle personnalisé à chaque étape de son cycle de vie. Vous pouvez copier un modèle personnalisé entre ressources, afficher la liste de tous les modèles personnalisés relevant de votre abonnement, récupérer les informations sur un modèle personnalisé spécifique et supprimer des modèles personnalisés de votre compte.

Langage de programmation	Exemple de code
C#	Copier un modèle personnalisé entre des ressources Intelligence documentaire
Java	Copier un modèle personnalisé entre des ressources Intelligence documentaire
JavaScript	Copier un modèle personnalisé entre des ressources Intelligence documentaire
Python	Copier un modèle personnalisé entre des ressources Intelligence documentaire

Très bien ! Vous avez découvert les étapes permettant de créer des modèles personnalisés et composés, puis de les utiliser dans vos projets et applications Intelligence documentaire.

Étapes suivantes

Essayez l’un de nos guides de démarrage rapide d’Intelligence documentaire :

Document Intelligence Studio

REST API

C#

Java

JavaScript

Python