請求書画像から単語・行のテキストを読み取り、その文字がページのどこにあるかも表示したい。Amazon TextractのDetectDocumentTextの出力を確認する。
今回は文字と位置の取得を扱う。表のセル構造や項目と金額の対応の抽出、合計の整合性や支払可否の判断は、別の要求として整理する。
指定した処理と出力について適切な説明を2つ選べ。
OCRの文字読み取りと、指定APIが返す文字位置を確認する。DetectDocumentTextは単語・行のGeometryも返すが、構造抽出や請求内容の業務上の妥当性まで保証するものではない。
詳細解説
文字を機械処理できる形へ変換する目的に対応する。認識した文字が常に原本と一致することまでは保証しない。
このAPIの単語・行のBlockには位置情報がある。文字の位置を得るために、必ず別の物体検出モデルを組み合わせるという前提は不要である。
画像へのカテゴリ付与と、文字の読み取りや表・項目の構造抽出は別である。画像分類の結果だけで明細の対応関係を得たとはいえない。
指定APIは単語と行の位置も返す。別モデルが必要かは、既に得られる出力と追加の要求を確認して判断する。
認識の信頼度や座標と、合計の整合性・契約との一致・支払可否は異なる。文字の読み取り結果とは別に業務上の確認が必要である。
公式資料で確認する
以下の項目を公式資料の記述と照合して確認します。
TextractのDetectDocumentTextと文字位置の公式説明を読み、WORD/LINEのTextとGeometryの役割を確認する。架空の請求書を題材に、文字、位置、表構造、金額整合性を別の欄へ整理する。実請求書の送信や支払操作は行わない。
参考にした公式資料
確認できる内容
指定APIで単語・行の文字と位置が得られることを説明できる。すべてのOCRへの一般化や、位置・信頼度だけで請求内容や支払可否が正しいという解釈をしない。
理解のポイント
- OCRの文字
- 単語と行の位置
- 構造抽出
- 業務検証
確認時の注意
- 確認環境: 現行AIF-C01 Task1.1と関連するAWS一次資料の確認。架空の例で概念を比較し、実モデルの訓練・推論は行わない。
- AWS公式ドキュメントで、対象サービスが提供する機能と前提条件を確認する。
- モデル、データ、アプリケーション、利用者の責任分界を混同しない。
基礎のおさらい
指定APIの出力を確認する
DetectDocumentTextの単語・行のBlockにはテキストとGeometryが含まれる。すべてのOCR実装が同じ出力を返すとは一般化せず、利用するAPIの説明を根拠に必要な情報を確認する。
文字位置と構造を区別する
文字の座標が得られることと、表のセルや項目と値の対応が抽出されることは異なる。構造化された出力が必要なら、AnalyzeDocument等の機能と要件を別に比較する。
認識と妥当性を分ける
認識信頼度は支払承認の正しさを示す値ではない。原本との照合、金額の整合性、契約条件など必要な業務検証を整理し、文字を読み取れたことを最終判断の完了とみなさない。