AWS は Amazon Textract Insights の一般提供を開始したと発表しました。これは Amazon Textract の新しい生成 AI 機能で、Amazon Textract 内の新しい API を通じて利用できます。必要なフィールドを自然言語で記述し、ドキュメントまたは混在した複数ドキュメントのパケットを送信すると、各値に信頼度スコアとページ単位の根拠情報が付いた構造化結果を受け取れます。モデルの学習は不要です。
金融サービス、保険、医療、公共部門の組織はドキュメント処理に依存しており、スキャンしたファイルや紙のフォームをシステムが扱える構造化データに変換しています。生成 AI の成熟に伴い、こうした組織は正確なテキスト抽出だけでなく、必要な情報を自らの言葉で記述し、複雑なドキュメントから信頼でき監査可能な回答を得ることを望んでいます。
高価値なドキュメント業務の多くは、単一用途の整ったファイルではなく、多様な混在パケットを扱います。例えば住宅ローン審査のファイルは通常、W-2 フォーム、給与明細、銀行取引明細書、手書きメモが 1 回のスキャンにまとめて含まれ、それぞれレイアウトが異なり順序も固定されていません。保険請求や入社手続きの書類も同様で、定型フォーム、密な表、スキャンした領収書、自由記述の手紙が 1 つのファイルに混在します。
チームは通常 2 つのアプローチのいずれかを取りますが、それぞれにトレードオフがあります。1 つは OCR、ドキュメント分割、分類、基盤モデルのプロンプト、レビュー工程を組み合わせたカスタムパイプラインで、チームはその統合、スケーリング、運用をすべて担う必要があります。もう 1 つは汎用の大規模言語モデルをそのまま使う方法で、流暢な回答は返しますが、出典ページを確実に示したり信頼度スコアを与えたりはしません。追跡可能な出典と較正されたスコアがなければ、どの値を自動で採用し、どれをレビューすべきかを判断するのは困難であり、この不確実性が自動化の範囲を制限しがちです。
Amazon Textract Insights は信頼性の高いドキュメント処理のために作られており、このワークフロー全体を Amazon Textract 上の単一の非同期リクエストにまとめます。カスタムパイプラインを組み立てて運用する代わりに、チームはマネージド API を通じて必要なデータへ直接進むことができます。
利用に当たっては、抽出する内容を「ブループリント」で定義します。ブループリントは JSON Schema で、各フィールドに何を見つけるかの自然言語の説明が付き、さらに値がページから逐字で読み取られるのか、ドキュメントの内容から推論されるのかを決める推論タイプを持ちます。W-2、Form 1040、Form 1098、パスポート、出生証明書といった一般的なドキュメント種別向けの AWS 公開ブループリントから始めることも、自社固有のドキュメント向けに独自のブループリントを作成することもできます。
混在パケットの場合は、想定される各ドキュメント種別のブループリントを同じプロジェクトに追加し、Amazon S3 バケットから最大 3,000 ページのファイルを送信して分割を有効にします。Amazon Textract Insights はパケットを論理的なサブドキュメントに分割し、それぞれを適合するブループリントに照合して要求されたフィールドを抽出し、各値の信頼度と根拠を返します。
例えば、W-2、給与明細、銀行取引明細書、ローン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 を受け取ったとします。AWS 公開の W-2、給与明細、銀行取引明細書のブループリントを含むプロジェクトを作成し、ローン担当者メモ用のカスタムブループリントを追加して分割を有効にします。その後、S3 バケットのファイルを 1 回の StartDocumentInsights 呼び出しで送信すると、サービスはファイルを個別のドキュメントに分割し、ブループリントに照合して、結果をユーザーの S3 バケットに書き込みます。各値には信頼度スコアと、抽出元のページおよび境界ボックスが付きます。
Amazon Textract Insights は 2 種類のフィールドを返します。1 つはページから直接読み取る明示的フィールド、もう 1 つはドキュメント内容から導かれる推論フィールドです。どちらも信頼度スコアと、値の抽出元のページと座標を示す根拠とともに返されます。各値がソースまで追跡できるため、レビュー担当者や監査担当者は元のドキュメントと照合して結果を確認できます。これにより、従来は人手によるレビューに回していたドキュメントにも自動化を広げつつ、判断が必要な箇所では人を関与させ続けられます。
CorVel 傘下の Symbeo の情報システム担当バイスプレジデント、Vijay Agrawal 氏は次のように述べています。同社の医療請求書やフォームは多様な提供元から届き、レイアウトや形式が異なることが多く、ある提供元向けに作った抽出ルールが別の提供元に効果的に移行できるとは限りません。Amazon Textract Insights では必要なフィールドを平易な言葉で記述でき、サービスが該当データを特定して抽出します。抽出された各値には信頼度スコアが付くため、チームは信頼度の低いフィールドのレビューに集中できます。また、複数ドキュメントのファイルを個別のドキュメントに自動で分離し、ドキュメント処理ワークフローをさらに合理化できる可能性があるドキュメント分割機能にも期待を寄せています。
この機能は Amazon Textract エンジン上に構築されています。AWS は Amazon Textract の読み取りエンジンである Amazon Textract Core を更新し、精度を向上させ、密な表や手書き文字の処理を強化し、DetectDocumentText および AnalyzeDocument API の言語対応を 40 言語に拡大しました。これらの利点は既存の Amazon Textract 顧客が変更なしで利用でき、既存の API も変わりません。Amazon Textract Core はアジアパシフィック(東京)とヨーロッパ(チューリッヒ)の 2 つの新しい AWS リージョンで一般提供となり、リージョン内処理は合計 18 リージョンに広がりました。ただし Amazon Textract Insights はこれらのリージョンではまだ利用できません。
セキュリティとデータ処理について、プロジェクトとブループリントは AWS 所有のキーで保存時に暗号化されます。独自の AWS KMS カスタマーマネージドキーを使う場合は、CreateProject または CreateBlueprint の呼び出しで EncryptionConfiguration に指定します。インサイト分析ジョブは、StartDocumentInsights リクエストで指定された Amazon S3 バケットからドキュメントを読み取り、結果を書き込みます。中間ジョブデータは AWS 所有のキーで保存時に暗号化され、リクエストの EncryptionConfiguration でカスタマーマネージドキーを指定した場合はそれが中間データの暗号化に使われます。中間データはすべて一時的で、ジョブ完了時に削除されます。結果がバケットに書き込まれる際には、出力バケットのデフォルト暗号化が適用されます。プロジェクトのキーはそのジョブには適用されません。キーを無効化したり Amazon Textract のキーへのアクセスを削除したりすると、そのキーで暗号化されたデータは利用できなくなります。
クロスリージョン推論では、Amazon Textract Insights は地理的範囲内で最適な AWS リージョンを自動的に選んで推論リクエストを処理し、利用可能なコンピューティングリソースとモデルの可用性を最大化して一貫した顧客体験を提供するよう設計されています。すべてのデータは Amazon の安全なネットワーク上で暗号化されて転送され、推論リクエストはリクエストの発信元の地理的領域内にある利用可能なコンピューティングリソースへ安全にルーティングされます。例えば米国発のリクエストは米国内で処理されます。Amazon Textract Core API は変わらず、呼び出した AWS リージョンでリクエストを処理します。
導入は 4 つの手順です。まず必要な内容を定義し、AWS 公開ブループリントから始めるか独自のフィールドを自然言語で記述します。次にプロジェクトを作成してブループリントを追加します。続いて 1 回の API 呼び出しで S3 から単一ドキュメントまたは混在パケットを送信します。最後に結果をレビューし、信頼度しきい値を満たす値は採用し、それ以外はレビューに回します。しきい値は自社ドキュメントの代表的なサンプルで調整することを推奨しています。
同サービスは PDF、PNG、JPEG、TIFF の入力をサポートし、英語、フランス語、ドイツ語、イタリア語、ポルトガル語、スペイン語のドキュメントを処理します。料金はトークン単位ではなくページ単位で、最低契約量はありません。AWS は、インテリジェントなドキュメント処理は長らく「どこまで自動化できるか」と「どこまで監査できるか」の選択を迫るものだったとし、Amazon Textract Insights はこのトレードオフを縮め、推測ではなく証拠に基づいて自動化の範囲を決められるようにすると述べています。