Amazon Web Services ने Amazon Textract Insights ची सर्वसाधारण उपलब्धता जाहीर केली आहे, ही एक जनरेटिव्ह AI-संचालित दस्तऐवज काढण्याची सेवा आहे जी एंटरप्राइझ AI च्या सर्वात सततच्या तक्रारींपैकी एकाला उत्तर देण्यासाठी डिझाइन केलेली आहे: मॉडेल जे ते कोठून आले याची पडताळणी करण्याचा कोणताही मार्ग नसताना प्रशंसनीय परिणाम देतात. लाँच, 20 नोव्हेंबर रोजी AWS ब्लॉग पोस्टमध्ये तपशीलवार, पृष्ठ-स्तरीय उद्धरणांसह आणि परत आलेल्या प्रत्येक मूल्यासाठी आत्मविश्वास स्कोअरसह मोठ्या भाषेच्या मॉडेलची जोड देते.

मजकूर स्कॅन केलेली पृष्ठे मजकूर आणि सारण्यांमध्ये बदलण्यासाठी AWS चे इंजिन आहे. मजकूर अंतर्दृष्टी त्या पायाच्या वर एक नवीन API जोडते: वापरकर्ते, साध्या भाषेत, त्यांना काढू इच्छित असलेल्या फील्डचे वर्णन करतात, एक दस्तऐवज अपलोड करतात आणि बदल्यात संरचित परिणाम प्राप्त करतात — कोणत्याही मॉडेल प्रशिक्षणाची आवश्यकता नसताना. AWS बँका, विमा कंपन्या, आरोग्य सेवा संस्था आणि सरकारी संस्था, कागदोपत्री काम करणारे जड उद्योग जेथे पडताळणी ऐच्छिक नाही अशा ठिकाणी सेवा पुरवत आहे. यासारख्या आणखी टूल लॉन्चसाठी, नवीनतम AI घडामोडी चे आमचे कव्हरेज पहा.

मजकूर अंतर्दृष्टी कशी कार्य करते

AWS ज्याला ब्लूप्रिंट म्हणतात त्याभोवती सेटअप आयोजित केला जातो: एक JSON स्कीमा ज्यामध्ये प्रत्येक फील्डमध्ये काय शोधायचे याचे साधे-इंग्रजी वर्णन असते. प्रत्येक फील्ड एकतर पृष्ठावरून शब्दशः वाचले म्हणून चिन्हांकित केले जाते किंवा दस्तऐवजाच्या सामग्रीवरून अनुमान काढले जाते — एक फरक जे समीक्षकांना हे कळू देते की कोणती मूल्ये थेट कागदावर आली आहेत आणि कोणती मॉडेलद्वारे प्राप्त झाली आहेत.

AWS सामान्य फॉर्म प्रकारांसाठी तयार सार्वजनिक ब्लूप्रिंट प्रदान करते आणि ग्राहक व्यवसाय-विशिष्ट दस्तऐवजांसाठी त्यांचे स्वतःचे लिहू शकतात. परिणाम, AWS नुसार, एक एक्सट्रॅक्शन पाइपलाइन आहे जी एक समीक्षक किंवा ऑडिटर मूळ दस्तऐवजाच्या विरुद्ध फील्डद्वारे फील्ड तपासू शकतो.

गोंधळलेल्या, वास्तविक-जागतिक पेपरवर्कसाठी तयार केलेले

वास्तविक दस्तऐवज प्रवाह क्वचितच व्यवस्थित येतात. मॉर्टगेज ऍप्लिकेशन एकल स्कॅन म्हणून येऊ शकते ज्यामध्ये W-2, पेस्लिप्स, बँक स्टेटमेंट्स आणि हस्तलिखित नोट्स कोणत्याही विशिष्ट क्रमाने नसतात. टेक्स्ट इनसाइट्स नेमक्या त्याच केससाठी तयार केले आहे: ते 3,000 पानांपर्यंतची एकच फाइल स्वीकारते, ती स्वतंत्र दस्तऐवजांमध्ये विभाजित करते, प्रत्येकाशी उजव्या ब्ल्यूप्रिंटशी जुळते आणि फील्ड काढते — हे सर्व StartDocumentInsights नावाच्या API द्वारे एक असिंक्रोनस विनंती म्हणून.

परिणाम ग्राहकाच्या स्वतःच्या Amazon S3 बकेटमध्ये येतात. प्रत्येक काढलेल्या मूल्यामध्ये तो काढलेला पृष्ठ क्रमांक आणि बाउंडिंग बॉक्स समाविष्ट असतो, त्यामुळे मानवी समीक्षक कोणत्याही आकृतीला त्याच्या अचूक स्रोत स्थानावर काही सेकंदात शोधू शकतात.

AWS ने Symbeo, CorVel कंपनीचे एक विधान शेअर केले आहे, ज्यात म्हटले आहे की साध्या भाषेतील फील्ड वर्णन मदत करतात कारण वैद्यकीय बिले विविध लेआउटमध्ये येतात - एका प्रेषकासाठी तयार केलेले नियम सहसा दुसऱ्यावर अपयशी ठरतात.

एंटरप्राइझ AI साठी पडताळणी का महत्त्वाची आहे

मुख्य खेळपट्टी विश्वास आहे. AWS असा युक्तिवाद करते की एक सामान्य-उद्देश चॅटबॉट अस्खलित उत्तरे देऊ शकतो परंतु संख्या कोणत्या पृष्ठावरून आली आहे किंवा किती विश्वासार्ह आहे हे सांगू शकत नाही. मजकूर अंतर्दृष्टी डिझाइन केली आहे जेणेकरून स्वयंचलित वर्कफ्लो उच्च-आत्मविश्वास मूल्यांवर स्वयंचलितपणे कार्य करू शकतील आणि अनिश्चित गोष्टींना मानवी समीक्षकाकडे पाठवता येईल - जेनरेटिव्ह AI एक्सट्रॅक्शन प्रथम दिसू लागल्यापासून वित्त आणि आरोग्य सेवा मधील पॅटर्न अनुपालन कार्यसंघ विचारत आहेत.

किंमत प्रति-टोकनऐवजी प्रति-पृष्ठ मॉडेलचे अनुसरण करते, जे AWS म्हणते की सामान्य भाषा मॉडेल API पेक्षा किमती अधिक अंदाजे बनवल्या पाहिजेत. लाँचच्या घोषणेमध्ये विशिष्ट दर सूचीबद्ध नव्हते; AWS ग्राहकांना मजकूर किंमत पृष्ठाकडे निर्देशित करते.

सुरक्षिततेवर, AWS KMS द्वारे तुमची स्वतःची की आणण्याच्या पर्यायासह, प्रकल्प आणि ब्लूप्रिंट डीफॉल्टनुसार AWS-मालकीच्या की सह कूटबद्ध केले जातात. इंटरमीडिएट जॉब डेटा तात्पुरता असतो आणि नोकरी पूर्ण झाल्यावर हटवला जातो आणि AWS म्हणते की विनंत्या त्याच भूगोलात गणना करण्यासाठी पाठवल्या जातात.

टेक्स्ट कोरला अपग्रेड देखील मिळते

इनसाइट्स लॉन्च सोबतच, AWS ने सेवेच्या खाली असलेले रीडिंग इंजिन, Amazon Textract Core अपडेट केले. कंपनी म्हणते की दाट तक्ते आणि हस्तलेखनात अचूकता सुधारली आहे आणि भाषा कव्हरेज आता मानक मजकूर आणि विश्लेषण API साठी 40 भाषांमध्ये पोहोचले आहे. विद्यमान ग्राहकांना कोणताही कोड न बदलता ते लाभ मिळतात.

कोअर आता टोकियो आणि झुरिचमध्ये देखील उपलब्ध आहे, एकूण 18 AWS क्षेत्रांमध्ये सेवा आणत आहे. त्या दोन नवीन क्षेत्रांमध्ये स्वतःच मजकूर अंतर्दृष्टी अद्याप ऑफर केलेली नाही आणि AI पॅराबेलमच्या लॉन्चच्या पुनरावलोकनात असे नमूद केले आहे की इनसाइट्स सध्या कोअरपेक्षा लहान भाषांना समर्थन देते.

हे AWS च्या AI पुशमध्ये कुठे बसते

ग्राहक चॅटबॉट्सऐवजी एंटरप्राइझ वर्कफ्लोच्या उद्देशाने AWS AI रिलीजच्या स्थिर ड्रमबीटचा हा लॉन्च भाग आहे. जनरेटिव्ह AI ला उद्धरण, आत्मविश्वास स्कोअर आणि ऑडिट-फ्रेंडली प्रिमिटिव्हजमध्ये गुंडाळून, AWS ही पडताळणी योग्यता — कच्ची मॉडेल गुणवत्ता नव्हे — हेच नियमन केलेल्या उद्योगांमध्ये AI अवलंबन अनब्लॉक करते.

कर्जाच्या फायली, विमा दावे किंवा रुग्ण फॉर्म हाताळणाऱ्या संघांसाठी, व्यावहारिक मूल्य प्रस्ताव OCR, स्प्लिटिंग, वर्गीकरण आणि मॉडेलची साखळी एकच API कॉलमध्ये प्रॉम्प्ट करत होते. ते सरलीकरण सर्वात गोंधळलेल्या वास्तविक-जगातील दस्तऐवजांवर टिकून राहते की नाही हे सेवेच्या यशाचे मोजमाप असेल.

---

एआयच्या पुढे राहा

नवीनतम AI बातम्या, विश्लेषण आणि यश मिळवा — सर्व एकाच ठिकाणी.

अधिक AI बातम्या वाचा →