Amazon Textract Insights一般提供:根拠と信頼度を備えた文書AI


ADVERTISEMENT

文書抽出を「単一の非同期API」に集約

Amazon Textract Insightsは、Amazon Textractの新しい生成AI機能として一般提供された。利用者は必要な項目を自然言語で記述し、単一文書または複数文書が混在するパケットを送信する。返却されるのは構造化された抽出結果であり、各値に信頼度スコアとページ単位の根拠情報が付く。モデルのトレーニングは不要だ。

従来の混在文書処理では、OCR、文書分割、分類、基盤モデル向けプロンプト、レビューを個別に組み合わせるカスタムパイプラインが必要になる場合があった。この方式は構成要素ごとの統合・スケーリング・運用負荷を伴う。一方、汎用の大規模言語モデルによる回答では、流暢さが得られても、出典ページや信頼度が一貫して提示されるとは限らない。Textract Insightsは、これらの処理を管理された非同期リクエストにまとめ、抽出値を元文書へたどれる形で返すことで、自動化と監査可能性を両立させる設計を採る。

Blueprintと分割処理:混在パケットから項目を抽出

抽出仕様は「blueprint」と呼ばれるJSON Schemaで定義する。各フィールドには、何を探すかを表す自然言語の説明と、値の扱いを決める推論タイプを設定する。推論タイプは、ページ上の値をそのまま読み取る明示的フィールドか、文書内容から導く推論フィールドかを区別する。一般的な書類向けには、W-2、Form 1040、Form 1098、パスポート、出生証明書などのAWS公開blueprintを起点にでき、業務固有の書類には独自のblueprintを作成できる。

複数種類の書類を含む場合は、想定する文書タイプのblueprintを同一プロジェクトに追加し、分割を有効にして、Amazon S3バケットから最大3,000ページのファイルを送信する。Textract Insightsは、パケットを論理的なサブ文書に分割し、それぞれを適切なblueprintに対応付けたうえで項目を抽出する。たとえば、W-2、給与明細、銀行明細、融資担当者の手書きメモを含む26ページの住宅ローン申請PDFなら、各書類向けの公開blueprintとメモ向けのカスタムblueprintを一つのプロジェクトに登録し、StartDocumentInsightsを一度呼び出せばよい。結果はS3に書き込まれ、各値には信頼度、ページ、バウンディングボックスが含まれる。

根拠情報、信頼度、運用上の境界

明示的に読み取った値と、文書内容から推論した値のどちらにも、信頼度とグラウンディング情報が付与される。グラウンディングは値の出所となるページと座標を示すため、担当者や監査者が原文と照合できる。運用では信頼度閾値を使って自動受け入れと人手レビューを振り分けられるが、記事が推奨するのは、自社文書の代表サンプルで閾値を調整することだ。スコアをそのまま正解確率とみなすのではなく、対象業務でレビュー優先度を決める信号として評価する必要がある。

入力形式はPDF、PNG、JPEG、TIFFで、対応する処理言語は英語、フランス語、ドイツ語、イタリア語、ポルトガル語、スペイン語。料金はトークン単位ではなくページ単位で、最低利用コミットメントはない。したがって、導入評価では言語・形式の適合性に加え、ページ量を基準に費用を見積もることが重要になる。

セキュリティ面では、プロジェクトとblueprintはAWS所有キーで保存時暗号化され、CreateProjectまたはCreateBlueprintのEncryptionConfigurationで顧客管理KMSキーを指定できる。解析ジョブはリクエストで指定したS3から文書を読み、結果をS3へ書き込む。中間データは保存時暗号化され、ジョブ完了後に削除される。ジョブに顧客管理キーを指定した場合、そのキーで中間データを暗号化し、出力結果には出力先バケットのデフォルト暗号化が適用される。プロジェクトのキーはジョブには適用されない点にも注意が必要だ。キーを無効化する、またはTextractからのアクセスを取り消すと、そのキーで暗号化されたデータを利用できなくなる。

推論リクエストは地理的範囲内で最適なAWSリージョンへ自動ルーティングされ、データはAWSのセキュアネットワーク内で暗号化して転送される。たとえば米国からのリクエストは米国内で処理される。一方、Amazon Textract Insightsは東京・チューリッヒのリージョンではまだ利用できない。更新された読み取りエンジンAmazon Textract Coreは、表や手書きの処理を強化し、DetectDocumentText APIとAnalyzeDocument APIの対応言語を40言語に拡張した。Coreは東京・チューリッヒを含め計18リージョンで利用可能だが、Insightsの利用可能リージョンとは区別する必要がある。既存のTextract APIに変更はなく、Coreの改善は既存顧客にも適用される。

開発者・エンジニア視点での考察

  1. blueprintを抽出契約としてバージョン管理する。 JSON Schemaと自然言語説明、推論タイプの組み合わせは、アプリケーション側のデータ契約に相当する。業務要件の変更時にはblueprintの版、対象文書、抽出結果を紐付け、変更前後で抽出品質とレビュー率を比較できるようにすると、運用上の回帰を追跡しやすい。

  2. 信頼度と根拠座標を組み合わせたレビュー導線を設計する。 閾値だけで機械的に採否を決めるのではなく、低信頼度の値をページ・バウンディングボックスとともにレビュー画面へ渡す設計が有効だ。代表サンプルで閾値を調整し、文書タイプやフィールドごとに自動処理率とレビュー負荷を検証する。特に推論フィールドは、ページ上の明示値と同じ扱いにしない方がよい。

  3. 非同期ジョブ、S3、KMSを一体で運用設計する。 リクエストで指定する入力・出力バケット、ジョブ中間データの暗号化、出力バケットの暗号化、キーの権限・有効状態を明確に分けて管理する。キー無効化が処理済み・処理中データの利用に与える影響も含め、ジョブ完了確認、結果取得、失敗時の再処理を含むライフサイクルを設計すべきである。

Source / 元記事

この記事について

著者
AIBloom AI編集部
初回公開
最終更新

この記事は、公開されているニュース、論文、公式発表、RSSフィードなどをもとに、AIが要約・補足調査・考察を行って作成しています。

元記事の完全な翻訳・逐語的な要約ではなく、AIによる背景説明や開発者向けの考察を含みます。

重要な技術仕様・価格・提供状況などは、必ず元記事または公式情報をご確認ください。

About AIBloom

ADVERTISEMENT