Выберите правое средство Foundry для обработки документов

Поскольку организации все чаще используют генерированный ИИ для управления документами и неструктурированными данными, важно выбрать подходящее средство для создания надежных, безопасных и масштабируемых рабочих процессов обработки документов. Azure Content Understanding в Foundry Tools — это комплексная служба ИИ Microsoft для анализа содержимого, которая объединяет несколько подходов к обработке документов и контента. Content Understanding объединяет возможности Azure Document Intelligence — включая ведущие в отрасли средства высокоточного извлечения данных из структурированных типов документов — с возможностями на базе LLM, предназначенными для работы со сложным, неструктурированным и мультимодальным контентом, что позволяет применять как традиционные, так и генеративные подходы ИИ к извлечению информации. Вместе эти подходы обеспечивают гибкость в обработке всех стандартных форм до документов свободной формы, изображений, аудио и видео.

Эта статья поможет вам принять два решения:

• Управляемый сервис или собственное решение? Следует ли использовать Azure Content Understanding или создать пользовательское решение с размещёнными в Azure LLM-моделями (модели Foundry)?
• Какой инструмент в Content Understanding? Если вы выбрали Content Understanding, стоит ли использовать модели Azure Document Intelligence или анализаторы Content Understanding?

Инструменты Foundry для обработки документов

Как инструмент Foundry, Azure Content Understanding объединяет всесторонние и взаимодополняющие возможности для разных задач по работе с документами:

• Azure Content Understanding в Foundry Tools работает на основе генеративного ИИ и больших языковых моделей (LLM). Они хорошо справляются с обработкой неструктурированных документов, различных макетов, мультимодального контента, полей, определяемых на основе контекста, и сценариев, требующих сложных рассуждений, и всё это без необходимости использовать размеченные обучающие данные на начальном этапе.

• Azure Document Intelligence в Foundry Tools предоставляет специализированные модели ИИ, специально обученные для задач разбора документов и извлечения данных. Они идеально подходят для структурированных документов с общими шаблонами, где согласованность, низкая задержка и проверенная точность являются приоритетом.

• Отдельно, размещённые в Azure модели LLM (модели Foundry) доступны для команд, которым требуется полный контроль над собственными моделями, запросами и инфраструктурой.

Цель этой статьи — помочь вам разобраться в этих вариантах, исходя из типа документа, требований к точности и ограничений по трудозатратам на разработку.

Azure Анализ контента в сравнении с созданием собственного решения

В этом разделе описывается, следует ли использовать управляемые службы обработки содержимого Azure — распознавание контента и аналитику документов или создавать пользовательское решение с помощью моделей Foundry напрямую.

Когда стоит рассмотреть создание собственного решения: Если вашему сценарию требуются полный контроль над выбором модели, детальный контроль над промптами или интеграция с собственной инфраструктурой ИИ, которую Content Understanding не может обеспечить, может быть оправдана разработка непосредственно на моделях Foundry. Примените Azure Content Understanding для встроенного качества, надежности, оценки достоверности и управления жизненным циклом модели.

Выбор подходящего инструмента в Azure Content Understanding

Выберите подходящее средство между анализаторами содержимого (CU) и моделями аналитики документов (DI) в зависимости от потребностей документа.

Краткое руководство по принятию решений

Краткий справочник по API ACU версии 1.0 GA (2025-11-01) и API ADI версии 4.0 GA (2024-11-30)

Выберите подходящее средство между анализаторами содержимого (CU) и моделями аналитики документов (DI) в зависимости от потребностей документа.

Пошаговое руководство по сценарию

В следующих примерах рассматриваются распространенные сценарии обработки документов. Для каждого из них мы определим рекомендуемое средство и объясним, почему. Если предварительно созданный анализатор охватывает тип документа, всегда запустите его перед созданием пользовательского решения.

Рекомендации по оценке

• Прямая обработка (STP): Доля документов, которые можно обрабатывать без проверки человека. Повышение достоверности и точности обеспечивает большую автоматизацию.
• Задержка: Время обработки документа; критически важно, когда скорость инференса влияет на пользовательский опыт конечного пользователя.
• Точность: Общая частота ошибок решения. Высокая точность означает более высокую надежность выходных данных системы.
• Непрерывное улучшение: Способна ли система со временем совершенствоваться по мере разметки новых данных и доработки схем.
• Усилия по созданию: Необходимые усилия по проектированию, включая маркировку, проектирование рабочих процессов и текущее обслуживание.
• Общая стоимость владения: Масштабируемые затраты на инфраструктуру, управление и обслуживание.

Сценарий 1. Стандартизированные, одноформатные формы

Бизнес-процесс: Извлеките фиксированные поля (имя, дата рождения, адрес, номер учетной записи) из форм, которые используют один и тот же шаблон каждый раз.

Примеры:

• Формы подключения к занятости (один и тот же макет для всех сотрудников)
• Формы запроса на возврат средств для конкретного поставщика электронной коммерции
• Формы приема пациентов для конкретного поставщика здравоохранения
• Заявки на открытие счёта для конкретного банка

Recommendation:

• Если документ имеет существующее предварительно созданное решение, рассмотрите возможность использования предварительно созданных моделей аналитики документов (для структурированных документов) или предварительно созданных анализаторов анализа содержимого (для полуструктурированных или неструктурированных документов). Если вам нужна настройка извлеченных полей, начните с пользовательского анализатора Content Understanding, так как не требуется метка данных или обучение.

Сценарий 2. Документы с небольшим количеством известных вариантов

Бизнес-процесс: Извлеките согласованные поля (имя, сумма, номер политики, дату утверждения) в небольшом известном наборе шаблонов.

Примеры:

• Формы страховых претензий в нескольких региональных форматах (США, Великобритания, APAC)
• Годовая налоговая форма с дополнительными обновлениями макета каждый год
• Заявки на прием в университет для различных программ степени
• Отчеты о расходах сотрудников с помощью шаблонов, относящихся к отделу

Recommendation:

• Предварительно созданный анализатор Content Understanding (рекомендуется): если готовый анализатор поддерживает ваш тип документа (например, prebuilt-invoice, prebuilt-idDocument), начните с него. CU хорошо обобщается на разных вариантах шаблонов и семантических вариациях языка, не требуя разметки.
• Предварительно созданная или настраиваемая модель аналитики документов: начните с предварительно созданных моделей, если они охватывают ваш сценарий. Обучайте пользовательские модели, используя как минимум по пять образцов для каждого варианта, и объединяйте варианты в одну модель, если различия незначительны. Выходные данные соответствуют оценкам достоверности и основам.
• Создайте пользовательское решение: создайте и настройте компоненты, необходимые для анализа документов (макета), извлечения полей и создания необходимых после обработки компонентов. Решение необходимо протестировать и проверить с различными вариантами, и вам нужно масштабировать развернутое решение и управлять ими. Без оценки достоверности вы принимаете все результаты или просматриваете все результаты на основе ожидаемой частоты ошибок или можете создать собственную модель достоверности для оценки выходных данных.

Сценарий 3. Полуструктурированные документы высокой изменчивости

Бизнес-процесс: Извлеките ключевые поля, такие как номер счета, имя поставщика, общая сумма, элементы строки и даты из очень разнообразных документов с несогласованными шаблонами.

Примеры:

• Счета от нескольких поставщиков с различными форматами
• Квитанции от международных сетей магазинов
• Заметки о доставке с различными шаблонами для разных поставщиков
• Заказы на покупку с несогласованными макетами между поставщиками
• Выписки студентов из разных университетов

Recommendation:

• Пользовательский анализатор для понимания содержимого (рекомендуется): zero-shot для начала — опишите свои поля простым языком, разметка не требуется. Она хорошо распределяется по шаблонам и языковым вариациям. Добавьте помеченные примеры в источник знаний, чтобы повысить точность с течением времени.
• Предварительно созданные или пользовательские модели аналитики документов: начните с предварительно созданной модели, если рассматриваются тип документа и поля, интересующие вас. Для пользовательских типов можно создать собственную пользовательскую модель с помеченными примерами, которые отражают вариации, которые отображаются в тестовых и реальных данных вывода.
• Создайте пользовательское решение: создайте и настройте компоненты, необходимые для анализа документов (макета), извлечения полей и создания необходимых после обработки компонентов. Решение необходимо протестировать и проверить с различными вариантами, и вам нужно масштабировать развернутое решение и управлять ими. Без оценки достоверности вы либо принимаете все результаты, либо просматриваете все результаты на основе ожидаемой частоты ошибок.

Сценарий 4. Неструктурированные документы

Бизнес-процесс: извлечение и формирование абстрактных сведений, таких как обязательства и резюме, а также выявление таких данных, как стороны договора, индикаторы риска, тональность или решения, из многостраничных повествовательных документов со свободным текстом.

Примеры:

• Юридические контракты и соглашения об обслуживании
• Инвестиционные отчеты
• Научно-исследовательские статьи
• Письма о рекомендации пациентов
• Отчеты о отзывах сотрудников

Recommendation:

• Content Understanding: готовый или настраиваемый анализатор (рекомендуется). Это идеальная служба для этого сценария. Используйте prebuilt-contract для юридических договоров или пользовательский анализатор для других типов неструктурированных данных. Понимание содержимого может выводить поля, не представленные в документе явным образом, например вывести дату окончания контракта из даты начала и длительности, или определить юрисдикцию из адресов сторон.
• Создание настраиваемого решения: сборка и настройка собственного конвейера для синтаксического анализа документов (макета), извлечения полей и последующей обработки. Вы несете ответственность за тестирование в различных вариантах шаблона, масштабирование развертывания и управление текущим обслуживанием. Создание пользовательской модели достоверности для этого типа документа является более сложным и сложным из-за неструктурированной природы содержимого.

Сценарий 5. Обработка нескольких документов и смешанных носителей

Бизнес-процесс: Агрегировать контент из различных форматов, сопоставлять детали, проверять согласованность (например, совпадает ли имя в разных документах) и выявлять несоответствия.

Примеры:

• Пакеты для регистрации: PDF-формы + фотографии удостоверений личности + записанные видеоинтервью
• Случаи соответствия требованиям: текст электронной почты и контракт + расшифровка звонка
• Медицинские утверждения: Врач заметки + лабораторные отчеты + консультации по телефону
• Отправки мультимедиа RFP: предложение PDF + изображения продуктов и видео объяснителя

Recommendation:

• Content Understanding: готовые и настраиваемые анализаторы. Content Understanding предлагает мультимодальные анализаторы и может на основе извлеченного содержимого и справочных данных формировать требуемую выходную схему. Content Understanding также обеспечивает прямую интеграцию с агентными фреймворками, такими как Microsoft Agent Framework и Langchain, что позволяет выполнять более гибкую постобработку.
• Создание настраиваемого решения: Для этого сценария требуется динамическое решение, при котором необходимо проанализировать различные входные файлы и совместно обработать их. Решение требует сложной обработки для определения типов документов и ожидаемых значений и создания унифицированных выходных данных.