ベストプラクティス

Amazon Textract は機械学習を使用して、人と同じようにドキュメントを読み込みます。ドキュメントからテキスト、テーブル、フォームを抽出します。次のベストプラクティスを使用して、ドキュメントから最良の結果を取得します。

最適な入力ドキュメントを提供する

Amazon Textract オペレーションに適した入力は、単一ページまたは複数ページのドキュメントです。例としては、法的文書、フォーム、ID、または文字などがあります。フォームは、ユーザーが回答を提供する質問またはプロンプトを含むドキュメントです。例としては、患者登録フォーム、納税申告書、保険金請求フォームなどがあります。

ドキュメントは JPEG、PNG、PDF、または TIFF 形式にすることができます。PDF および TIFF 形式のファイルを使用すると、複数ページのドキュメントを処理できます。Amazon Textract がドキュメントをBlockオブジェクトとして表す方法については、「」を参照してくださいテキスト検出およびドキュメント分析レスポンスオブジェクト。

以下は、許容される入力ドキュメントの例です。

ドキュメントの制限の詳細については、「」を参照してくださいAmazon Textract のクォータ。

Amazon Textract 同期オペレーションでは、Amazon S3 バケットに保存されている入力ドキュメントを使用するか、base64 でエンコードされたイメージバイトを渡すことができます。詳細については、「Amazon Textract 同期オペレーションの呼び出し」を参照してください。非同期オペレーションの場合は、Amazon S3 バケットに入力ドキュメントを指定する必要があります。詳細については、「Amazon Textract 非同期オペレーションの呼び出し」を参照してください。

以下は、入力ドキュメントを最適化してより良い結果を得るためのいくつかの方法のリストです。

• ドキュメントテキストが Amazon Textract がサポートする言語であることを確認します。現在、Amazon Textract は英語、スペイン語、ドイツ語、イタリア語、フランス語、ポルトガル語をサポートしています。

• できれば150 DPI 以上の高画質の画像を提供してください。

• ドキュメントがすでに Amazon Textract がサポートするファイル形式 (PDF、TIFF、JPEG、PNG) のいずれかにある場合は、Amazon Textract にアップロードする前にドキュメントを変換またはダウンサンプリングしないでください。

ドキュメント内のテーブルからテキストを抽出するときに最良の結果を得るには、以下を確認してください。

• ドキュメント内のテーブルは、ページ上の周囲の要素から視覚的に分離されています。たとえば、テーブルが画像や複雑なパターンに覆われていないこと。

• テーブル内のテキストは垂直していること。たとえば、テキストはページ上の他のテキストと比べて回転していないこと。

テーブルからテキストを抽出すると、次のような場合に一貫性のない結果が表示されることがあります。

• 複数の列にまたがるマージされたテーブルセル。

• 同じテーブルの他の部分とは異なるセル、行、または列を持つテーブル。

回避策としてテキスト検出を使用することをお勧めします。

信頼スコアを使用する

Amazon Textract API オペレーションによって返される信頼スコアとそのユースケースの機密性を考慮する必要があります。信頼スコアは、特定の予測が正しい確率を示す 0～100 の数値です。これは、結果の使用方法について情報に基づいた意思決定を行うのに役立ちます。

検出エラー (誤検出) の影響を受けやすいアプリケーションでは、最小信頼スコアのしきい値を適用します。アプリケーションは、そのしきい値を下回る結果を破棄するか、より高いレベルの人間による調査が必要な状況にフラグを立てる必要があります。

最適なしきい値はアプリケーションによって異なります。手書きメモのドキュメント化など、アーカイブの目的では、50% という低さになる場合があります。財務上の意思決定を含むビジネスプロセスでは、90% 以上のしきい値が必要になる場合があります。