เพิ่มประสิทธิภาพการประมวลผลเอกสารอัจฉริยะของ AWS ด้วย AI | บริการเว็บอเมซอน

การจัดหมวดหมู่ การดึง และการวิเคราะห์ข้อมูลอาจเป็นเรื่องที่ท้าทายสำหรับองค์กรที่ต้องจัดการกับเอกสารจำนวนมาก โซลูชันการประมวลผลเอกสารแบบดั้งเดิมเป็นแบบแมนนวล มีราคาแพง เกิดข้อผิดพลาดได้ง่าย และปรับขนาดได้ยาก การประมวลผลเอกสารอัจฉริยะของ AWS (IDP) พร้อมบริการ AI เช่น Amazon Textช่วยให้คุณใช้ประโยชน์จากเทคโนโลยีแมชชีนเลิร์นนิง (ML) ชั้นนำในอุตสาหกรรมเพื่อประมวลผลข้อมูลจากเอกสารหรือรูปภาพที่สแกนได้อย่างรวดเร็วและแม่นยำ ปัญญาประดิษฐ์เชิงกำเนิด (generative AI) ช่วยเสริม Amazon Textract เพื่อทำให้เวิร์กโฟลว์การประมวลผลเอกสารเป็นแบบอัตโนมัติเพิ่มเติม ฟีเจอร์ต่างๆ เช่น การทำให้ฟิลด์คีย์เป็นปกติและการสรุปข้อมูลอินพุตจะสนับสนุนวงจรที่เร็วขึ้นสำหรับการจัดการเวิร์กโฟลว์ของกระบวนการเอกสาร ในขณะที่ลดโอกาสเกิดข้อผิดพลาด

AI เจเนอเรทีฟขับเคลื่อนด้วยโมเดล ML ขนาดใหญ่ที่เรียกว่าโมเดลพื้นฐาน (FMs) FMs กำลังเปลี่ยนวิธีที่คุณสามารถแก้ปัญหาเวิร์กโหลดการประมวลผลเอกสารที่ซับซ้อนแบบเดิมๆ นอกจากความสามารถที่มีอยู่แล้ว ธุรกิจจำเป็นต้องสรุปหมวดหมู่ข้อมูลเฉพาะ รวมถึงข้อมูลเดบิตและเครดิตจากเอกสารต่างๆ เช่น รายงานทางการเงินและใบแจ้งยอดจากธนาคาร FM ช่วยให้สร้างข้อมูลเชิงลึกดังกล่าวจากข้อมูลที่แยกออกมาได้ง่ายขึ้น เพื่อเพิ่มประสิทธิภาพเวลาที่ใช้ในการตรวจสอบโดยเจ้าหน้าที่และปรับปรุงประสิทธิภาพการทำงานของพนักงาน ข้อผิดพลาดต่างๆ เช่น หมายเลขโทรศัพท์ขาดหายไป เอกสารขาดหาย หรือที่อยู่ไม่มีเลขที่ถนนสามารถแจ้งได้ด้วยวิธีอัตโนมัติ ในสถานการณ์ปัจจุบัน คุณต้องทุ่มเททรัพยากรเพื่อทำงานดังกล่าวให้สำเร็จโดยใช้การตรวจทานโดยเจ้าหน้าที่และสคริปต์ที่ซับซ้อน วิธีการนี้น่าเบื่อและมีราคาแพง FM สามารถช่วยทำงานเหล่านี้ให้เสร็จเร็วขึ้นโดยใช้ทรัพยากรน้อยลง และแปลงรูปแบบอินพุตที่หลากหลายเป็นเทมเพลตมาตรฐานที่สามารถประมวลผลต่อไปได้ ที่ AWS เรานำเสนอบริการต่างๆ เช่น อเมซอน เบดร็อควิธีที่ง่ายที่สุดในการสร้างและปรับขนาดแอปพลิเคชัน AI แบบกำเนิดด้วย FM Amazon Bedrock เป็นบริการที่มีการจัดการเต็มรูปแบบซึ่งทำให้ FM จากสตาร์ทอัพด้าน AI ชั้นนำและ Amazon ใช้งานได้ผ่าน API คุณจึงสามารถค้นหารุ่นที่ตรงกับความต้องการของคุณได้มากที่สุด เรายังนำเสนอ Amazon SageMaker JumpStartซึ่งช่วยให้ผู้ปฏิบัติงาน ML สามารถเลือกจาก FM แบบโอเพ่นซอร์สที่มีให้เลือกมากมาย ผู้ปฏิบัติงานด้าน ML สามารถใช้งาน FM เฉพาะทางได้ อเมซอน SageMaker อินสแตนซ์จากสภาพแวดล้อมแบบแยกเครือข่ายและปรับแต่งโมเดลโดยใช้ SageMaker สำหรับการฝึกโมเดลและการปรับใช้

Ricoh นำเสนอโซลูชันสำหรับสถานที่ทำงานและบริการด้านการเปลี่ยนแปลงทางดิจิทัลที่ออกแบบมาเพื่อช่วยให้ลูกค้าจัดการและเพิ่มประสิทธิภาพการไหลเวียนของข้อมูลทั่วทั้งธุรกิจของตน Ashok Shenoy รองประธานฝ่าย Portfolio Solution Development กล่าวว่า "เรากำลังเพิ่ม generative AI ให้กับโซลูชัน IDP เพื่อช่วยให้ลูกค้าของเราทำงานให้เสร็จเร็วขึ้นและแม่นยำยิ่งขึ้นโดยใช้ความสามารถใหม่ๆ เช่น ถามตอบ การสรุปผล และผลลัพธ์ที่เป็นมาตรฐาน AWS ช่วยให้เราสามารถใช้ประโยชน์จาก AI เชิงกำเนิด ในขณะเดียวกันก็รักษาข้อมูลของลูกค้าแต่ละรายแยกจากกันและปลอดภัย”

ในโพสต์นี้ เราจะแชร์วิธีปรับปรุงโซลูชัน IDP ของคุณบน AWS ด้วย AI เชิงกำเนิด

การปรับปรุงท่อ IDP

ในส่วนนี้ เราจะทบทวนวิธีการเพิ่มไปป์ไลน์ IDP แบบดั้งเดิมโดย FM และแนะนำกรณีการใช้งานตัวอย่างโดยใช้ Amazon Textract กับ FM

AWS IDP ประกอบด้วยสามขั้นตอน: การจำแนกประเภท การดึงข้อมูล และการเพิ่มคุณค่า สำหรับรายละเอียดเพิ่มเติมเกี่ยวกับแต่ละขั้นตอน โปรดดูที่ การประมวลผลเอกสารอัจฉริยะด้วยบริการ AWS AI: ตอนที่ 1 และ 2 หมายเลข. ในขั้นตอนการจำแนกประเภท ขณะนี้ FM สามารถจัดประเภทเอกสารโดยไม่ต้องมีการฝึกอบรมเพิ่มเติม ซึ่งหมายความว่าสามารถจัดหมวดหมู่เอกสารได้แม้ว่าโมเดลจะไม่เคยเห็นตัวอย่างที่คล้ายกันมาก่อน FMs ในขั้นตอนการดึงข้อมูลทำให้ฟิลด์วันที่เป็นปกติและตรวจสอบที่อยู่และหมายเลขโทรศัพท์ ขณะที่จัดรูปแบบที่สอดคล้องกัน FMs ในขั้นตอนการเพิ่มคุณค่าอนุญาตให้ใช้การอนุมาน การให้เหตุผลเชิงตรรกะ และการสรุป เมื่อคุณใช้ FM ในแต่ละขั้นของ IDP เวิร์กโฟลว์ของคุณจะคล่องตัวมากขึ้นและประสิทธิภาพจะดีขึ้น แผนภาพต่อไปนี้แสดงไปป์ไลน์ IDP ที่มี AI กำเนิด

ขั้นตอนการสกัดท่อ IDP

เมื่อ FM ไม่สามารถประมวลผลเอกสารในรูปแบบดั้งเดิมได้โดยตรง (เช่น PDF, img, jpeg และ tiff) เป็นอินพุต จึงจำเป็นต้องมีกลไกในการแปลงเอกสารเป็นข้อความ หากต้องการแยกข้อความออกจากเอกสารก่อนส่งไปยัง FM คุณสามารถใช้ Amazon Textract ด้วย Amazon Texttract คุณสามารถแยกบรรทัดและคำและส่งต่อไปยัง FM ที่ดาวน์สตรีมได้ สถาปัตยกรรมต่อไปนี้ใช้ Amazon Textract สำหรับการดึงข้อความที่ถูกต้องจากเอกสารประเภทใดๆ ก่อนส่งไปยัง FM เพื่อดำเนินการต่อไป

โดยทั่วไป เอกสารจะประกอบด้วยข้อมูลที่มีโครงสร้างและกึ่งโครงสร้าง Amazon Texttract สามารถใช้เพื่อแยกข้อความและข้อมูลดิบจากตารางและแบบฟอร์ม ความสัมพันธ์ระหว่างข้อมูลในตารางและฟอร์มมีบทบาทสำคัญในการทำให้กระบวนการทางธุรกิจเป็นไปโดยอัตโนมัติ ข้อมูลบางประเภทอาจไม่ได้รับการประมวลผลโดย FM ด้วยเหตุนี้ เราจึงสามารถเลือกที่จะเก็บข้อมูลนี้ในร้านค้าดาวน์สตรีมหรือส่งไปยัง FM รูปภาพต่อไปนี้เป็นตัวอย่างของวิธีที่ Amazon Textract สามารถแยกข้อมูลที่มีโครงสร้างและกึ่งโครงสร้างออกจากเอกสาร นอกเหนือจากบรรทัดข้อความที่ FM จำเป็นต้องดำเนินการ

การใช้บริการไร้เซิร์ฟเวอร์ของ AWS เพื่อสรุปข้อมูลด้วย FM

ไปป์ไลน์ IDP ที่เราแสดงไว้ก่อนหน้านี้สามารถทำงานอัตโนมัติได้อย่างราบรื่นโดยใช้บริการไร้เซิร์ฟเวอร์ของ AWS เอกสารที่ไม่มีโครงสร้างสูงเป็นเรื่องปกติในองค์กรขนาดใหญ่ เอกสารเหล่านี้ครอบคลุมตั้งแต่เอกสารสำนักงานคณะกรรมการกำกับหลักทรัพย์และตลาดหลักทรัพย์ (ก.ล.ต.) ในอุตสาหกรรมการธนาคารไปจนถึงเอกสารความคุ้มครองในอุตสาหกรรมประกันสุขภาพ ด้วยวิวัฒนาการของ AI เชิงกำเนิดที่ AWS ผู้คนในอุตสาหกรรมเหล่านี้กำลังมองหาวิธีรับข้อมูลสรุปจากเอกสารเหล่านั้นในลักษณะอัตโนมัติและคุ้มค่า บริการไร้เซิร์ฟเวอร์ช่วยให้กลไกในการสร้างโซลูชันสำหรับ IDP ได้อย่างรวดเร็ว บริการเช่น AWS แลมบ์ดา, ฟังก์ชันขั้นตอนของ AWSและ อเมซอน EventBridge สามารถช่วยสร้างไปป์ไลน์การประมวลผลเอกสารด้วยการรวม FM ดังที่แสดงในแผนภาพต่อไปนี้

พื้นที่ แอปพลิเคชันตัวอย่าง ใช้ในสถาปัตยกรรมก่อนหน้านี้คือ ขับเคลื่อนด้วยเหตุการณ์. เหตุการณ์ ถูกกำหนดให้เป็นการเปลี่ยนแปลงสถานะที่เพิ่งเกิดขึ้น ตัวอย่างเช่น เมื่อออบเจกต์ได้รับการอัปโหลดไปยังไฟล์ บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon ที่ฝากข้อมูล (Amazon S3) Amazon S3 ปล่อยเหตุการณ์ที่สร้างวัตถุ การแจ้งเตือนเหตุการณ์นี้จาก Amazon S3 สามารถทริกเกอร์ฟังก์ชัน Lambda หรือเวิร์กโฟลว์ Step Functions สถาปัตยกรรมประเภทนี้เรียกว่า สถาปัตยกรรมที่ขับเคลื่อนด้วยเหตุการณ์. ในโพสต์นี้ แอปพลิเคชันตัวอย่างของเราใช้สถาปัตยกรรมที่ขับเคลื่อนด้วยเหตุการณ์เพื่อประมวลผลตัวอย่างเอกสารการจำหน่ายทางการแพทย์และสรุปรายละเอียดของเอกสาร โฟลว์ทำงานดังนี้:

1. เมื่ออัปโหลดเอกสารไปยังบัคเก็ต S3 แล้ว Amazon S3 จะทริกเกอร์เหตุการณ์ที่สร้างโดยอ็อบเจกต์
2. บัสเหตุการณ์เริ่มต้นของ EventBridge เผยแพร่เหตุการณ์ไปยัง Step Functions ตามกฎของ EventBridge
3. เวิร์กโฟลว์ของเครื่องสถานะประมวลผลเอกสาร โดยเริ่มจาก Amazon Texttract
4. ฟังก์ชัน Lambda จะแปลงข้อมูลที่วิเคราะห์สำหรับขั้นตอนถัดไป
5. เครื่องของรัฐ จะเรียก a ปลายทาง SageMakerซึ่งโฮสต์ FM โดยใช้การผสานรวม AWS SDK โดยตรง
6. ที่ฝากข้อมูลปลายทาง S3 สรุปได้รับการตอบกลับสรุปที่รวบรวมจาก FM

เราใช้แอปพลิเคชันตัวอย่างกับ flan-t5 โมเดลหน้ากอด เพื่อสรุปสรุปการปล่อยผู้ป่วยตัวอย่างต่อไปนี้โดยใช้เวิร์กโฟลว์ Step Functions

เวิร์กโฟลว์ Step Functions ใช้ การรวม AWS SDK เพื่อเรียก Amazon Text วิเคราะห์เอกสาร และรันไทม์ของ SageMaker เรียกใช้จุดสิ้นสุด API ดังแสดงในรูปต่อไปนี้

เวิร์กโฟลว์นี้ส่งผลให้เกิดออบเจกต์ JSON สรุปที่จัดเก็บไว้ในบัคเก็ตปลายทาง วัตถุ JSON มีลักษณะดังนี้:

{ "summary": [ "John Doe is a 35-year old male who has been experiencing stomach problems for two months. He has been taking antibiotics for the last two weeks, but has not been able to eat much. He has been experiencing a lot of abdominal pain, bloating, and fatigue. He has also noticed a change in his stool color, which is now darker. He has been taking antacids for the last two weeks, but they no longer help. He has been experiencing a lot of fatigue, and has been unable to work for the last two weeks. He has also been experiencing a lot of abdominal pain, bloating, and fatigue. He has been taking antacids for the last two weeks, but they no longer help. He has been experiencing a lot of abdominal pain, bloating, and fatigue. He has been taking antacids for the last two weeks, but they no longer help. He has been experiencing a lot of abdominal pain, bloating, and fatigue. He has been taking antacids for the last two weeks, but they no longer help. He has been experiencing a lot of abdominal pain, bloating, and fatigue. He has been taking antacids for the last two weeks, but they no longer help." ], "forms": [ { "key": "Ph: ", "value": "(888)-(999)-(0000) " }, { "key": "Fax: ", "value": "(888)-(999)-(1111) " }, { "key": "Patient Name: ", "value": "John Doe " }, { "key": "Patient ID: ", "value": "NARH-36640 " }, { "key": "Gender: ", "value": "Male " }, { "key": "Attending Physician: ", "value": "Mateo Jackson, PhD " }, { "key": "Admit Date: ", "value": "07-Sep-2020 " }, { "key": "Discharge Date: ", "value": "08-Sep-2020 " }, { "key": "Discharge Disposition: ", "value": "Home with Support Services " }, { "key": "Pre-existing / Developed Conditions Impacting Hospital Stay: ", "value": "35 yo M c/o stomach problems since 2 months. Patient reports epigastric abdominal pain non- radiating. Pain is described as gnawing and burning, intermittent lasting 1-2 hours, and gotten progressively worse. Antacids used to alleviate pain but not anymore; nothing exacerbates pain. Pain unrelated to daytime or to meals. Patient denies constipation or diarrhea. Patient denies blood in stool but have noticed them darker. Patient also reports nausea. Denies recent illness or fever. He also reports fatigue for 2 weeks and bloating after eating. ROS: Negative except for above findings Meds: Motrin once/week. Tums previously. PMHx: Back pain and muscle spasms. No Hx of surgery. NKDA. FHx: Uncle has a bleeding ulcer. Social Hx: Smokes since 15 yo, 1/2-1 PPD. No recent EtOH use. Denies illicit drug use. Works on high elevation construction. Fast food diet. Exercises 3-4 times/week but stopped 2 weeks ago. " }, { "key": "Summary: ", "value": "some activity restrictions suggested, full course of antibiotics, check back with physican in case of relapse, strict diet " } ] }

การสร้างบทสรุปเหล่านี้โดยใช้ IDP พร้อมการใช้งานแบบไร้เซิร์ฟเวอร์ตามขนาดจะช่วยให้องค์กรได้รับข้อมูลที่มีความหมาย กระชับ และนำเสนอได้ด้วยวิธีที่คุ้มค่า Step Functions ไม่จำกัดวิธีการประมวลผลเอกสารไว้ครั้งละหนึ่งเอกสาร ของมัน แผนที่แบบกระจาย คุณสมบัติสามารถสรุปเอกสารจำนวนมากตามกำหนดเวลา

พื้นที่ แอปพลิเคชันตัวอย่าง ใช้ a flan-t5 โมเดลหน้ากอด; อย่างไรก็ตาม คุณสามารถใช้ปลายทาง FM ที่คุณเลือกได้ การฝึกและการรันโมเดลอยู่นอกขอบเขตของแอปพลิเคชันตัวอย่าง ทำตามคำแนะนำในที่เก็บ GitHub เพื่อปรับใช้แอปพลิเคชันตัวอย่าง สถาปัตยกรรมก่อนหน้านี้เป็นคำแนะนำเกี่ยวกับวิธีที่คุณสามารถจัดการเวิร์กโฟลว์ IDP โดยใช้ Step Functions อ้างถึง การประชุมเชิงปฏิบัติการ IDP Generative AI สำหรับคำแนะนำโดยละเอียดเกี่ยวกับวิธีสร้างแอปพลิเคชันด้วยบริการ AWS AI และ FM

ตั้งค่าโซลูชัน

ทำตามขั้นตอนใน README ไฟล์เพื่อตั้งค่าสถาปัตยกรรมโซลูชัน (ยกเว้นจุดสิ้นสุด SageMaker) หลังจากที่คุณมีตำแหน่งข้อมูล SageMaker ของคุณเองแล้ว คุณสามารถส่งชื่อตำแหน่งข้อมูลเป็นพารามิเตอร์ไปยังแม่แบบได้

ทำความสะอาด

หากต้องการประหยัดค่าใช้จ่าย ให้ลบทรัพยากรที่คุณปรับใช้เป็นส่วนหนึ่งของบทช่วยสอน:

1. ทำตามขั้นตอนในส่วนการล้างข้อมูลของ README ไฟล์
2. ลบเนื้อหาใดๆ ออกจากบัคเก็ต S3 ของคุณ จากนั้นลบบัคเก็ตผ่านคอนโซล Amazon S3
3. ลบตำแหน่งข้อมูล SageMaker ที่คุณอาจสร้างผ่านคอนโซล SageMaker

สรุป

เจเนอเรทีฟเอไอกำลังเปลี่ยนวิธีดำเนินการเอกสารกับ IDP เพื่อรับข้อมูลเชิงลึก บริการ AI ของ AWS เช่น Amazon Textract และ AWS FM สามารถช่วยประมวลผลเอกสารทุกประเภทได้อย่างแม่นยำ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับการทำงานกับ generative AI บน AWS โปรดดูที่ ประกาศเครื่องมือใหม่สำหรับการสร้างด้วย Generative AI บน AWS.

---

เกี่ยวกับผู้เขียน

โซนาลี ซาฮู เป็นผู้นำการประมวลผลเอกสารอัจฉริยะด้วยทีมบริการ AI/ML ใน AWS เธอเป็นนักเขียน ผู้นำทางความคิด และนักเทคโนโลยีที่กระตือรือร้น ประเด็นหลักที่เธอสนใจคือ AI และ ML และเธอมักจะพูดในการประชุมและการพบปะของ AI และ ML ทั่วโลก เธอมีประสบการณ์ทั้งเชิงกว้างและเชิงลึกในด้านเทคโนโลยีและอุตสาหกรรมเทคโนโลยี พร้อมความเชี่ยวชาญในอุตสาหกรรมด้านการดูแลสุขภาพ ภาคการเงิน และการประกันภัย

อาชิช ลัล เป็นผู้จัดการฝ่ายการตลาดผลิตภัณฑ์อาวุโสซึ่งเป็นผู้นำด้านการตลาดผลิตภัณฑ์สำหรับบริการ AI ที่ AWS เขามีประสบการณ์ด้านการตลาด 9 ปีและเป็นผู้นำด้านการตลาดผลิตภัณฑ์สำหรับการประมวลผลเอกสารอัจฉริยะ เขาได้รับปริญญาโทสาขาบริหารธุรกิจที่มหาวิทยาลัยวอชิงตัน

มูนัล ดาฟตารี เป็น Enterprise Senior Solutions Architect ที่ Amazon Web Services เขาประจำอยู่ที่เมืองบอสตัน รัฐแมสซาชูเซตส์ เขาเป็นผู้ที่ชื่นชอบระบบคลาวด์และหลงใหลในการค้นหาโซลูชันที่เรียบง่ายสำหรับลูกค้าและจัดการกับผลลัพธ์ทางธุรกิจของพวกเขา เขารักการทำงานกับเทคโนโลยีคลาวด์ โดยนำเสนอโซลูชันที่เรียบง่ายและปรับขนาดได้ซึ่งขับเคลื่อนผลลัพธ์ทางธุรกิจในเชิงบวก กลยุทธ์การนำระบบคลาวด์ไปใช้ และออกแบบโซลูชันที่เป็นนวัตกรรมใหม่และขับเคลื่อนความเป็นเลิศในการดำเนินงาน

ธีรราช มหาปเทสโร เป็น Principal Serverless Specialist Solutions Architect ที่ AWS เขาเชี่ยวชาญในการช่วยให้บริการทางการเงินขององค์กรปรับใช้สถาปัตยกรรมแบบไร้เซิร์ฟเวอร์และขับเคลื่อนด้วยเหตุการณ์ เพื่อปรับปรุงแอปพลิเคชันให้ทันสมัยและเร่งความเร็วของนวัตกรรม เมื่อเร็ว ๆ นี้ เขาได้ดำเนินการเพื่อนำปริมาณงานของคอนเทนเนอร์และการใช้งานจริงของ AI เชิงสร้างสรรค์ให้ใกล้เคียงกับแบบไร้เซิร์ฟเวอร์และ EDA สำหรับลูกค้าในอุตสาหกรรมบริการทางการเงิน

เจคอบ เฮาเคนส์ เป็นผู้เชี่ยวชาญด้าน AI หลักที่มีประสบการณ์มากกว่า 15 ปีในการพัฒนาธุรกิจเชิงกลยุทธ์และการเป็นหุ้นส่วน ในช่วง 7 ปีที่ผ่านมา เขาเป็นผู้นำในการสร้างและนำกลยุทธ์การเข้าสู่ตลาดไปใช้กับบริการ B2B ใหม่ที่ขับเคลื่อนด้วย AI เมื่อเร็ว ๆ นี้ เขาได้ช่วยให้ ISV เพิ่มรายได้โดยเพิ่ม AI เชิงสร้างสรรค์ให้กับเวิร์กโฟลว์การประมวลผลเอกสารอัจฉริยะ

• เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
• PlatoData.Network Vertical Generative Ai เพิ่มพลังให้กับตัวเอง เข้าถึงได้ที่นี่.
• เพลโตไอสตรีม. Web3 อัจฉริยะ ขยายความรู้ เข้าถึงได้ที่นี่.
• เพลโตESG. ยานยนต์ / EVs, คาร์บอน, คลีนเทค, พลังงาน, สิ่งแวดล้อม แสงอาทิตย์, การจัดการของเสีย. เข้าถึงได้ที่นี่.
• BlockOffsets การปรับปรุงการเป็นเจ้าของออฟเซ็ตด้านสิ่งแวดล้อมให้ทันสมัย เข้าถึงได้ที่นี่.
• ที่มา: https://aws.amazon.com/blogs/machine-learning/enhancing-aws-intelligent-document-processing-with-generative-ai/