請求書、契約書、税務申告書、申込書などの非構造化文書から構造化データを抽出することは、多くの組織にとって共通の自動化目標です。しかし、高い抽出精度を達成することは依然として重要な課題です。ドキュメントが期待されるテンプレートから逸脱したり、ベンダーごとに形式が異なったり、スキャン品質が低い場合、精度は低下します。Amazon Bedrock Data Automation (BDA) を使用すると、単一のAPIを介してドキュメントの分類、抽出、正規化、検証を実行できます。カスタマイズ可能なブループリントを使用して、特定のドキュメント形式やビジネス要件に合わせたカスタム出力を生成できます。ただし、本番ドキュメントの多様性に対応するためにブループリントの抽出精度を最適化するには、依然として反復的なチューニングが必要です。
ブループリント命令最適化は、この課題に直接対処するBDAの新機能です。3〜10のサンプルドキュメントと期待される値を提供するだけで、BDAがブループリント命令を数分で自動的に改良し、精度を向上させます。週単位の時間ではなく、分単位で改善され、別途モデルのファインチューニングも不要です。この記事を読み終える頃には、ブループリントを最適化して精度を向上させ、Amazon BedrockコンソールまたはAPIを介して最適化ワークフローを実行し、サンプルと正解値を選択するベストプラクティスを適用できるようになります。
従来のドキュメントフィールド抽出の課題は、手動による反復にありました。さまざまなフレージングをテストし、コンテキストを追加し、試行錯誤を通じて説明を改善する必要がありました。各サイクルでは、抽出の実行、結果と期待値の比較、命令の調整、そして繰り返しが必要でした。何百ものベンダーからのドキュメントを処理する組織では、このプロセスに1ドキュメントタイプあたり数週間かかる可能性があります。ブループリント命令最適化では、この改善ループ全体を単一のワークフローで自動化します。BDAは抽出結果と正解値の差異を分析し、各フィールドの自然言語命令を改良して、数分で最適化された命令を提供します。
ブループリント命令最適化を使用するには、以下の手順に従います。まず、本番ワークロードから3〜10の代表的なドキュメントをアップロードします。抽出が困難なエッジケースを含め、可能な限り本番ドキュメント分布の多様性をカバーして過学習を防ぎます。次に、各サンプルドキュメントの各フィールドに対して正しい期待値（正解値）を提供します。その後、最適化プロセスを開始します。BDAは初期抽出結果を正解値と比較し、各フィールドの自然言語命令を改良します。最後に、詳細な精度メトリクスと最適化された命令を確認します。最適化は通常数分で完了し、メトリクスにはF1スコア（適合率と再現率の組み合わせ）と完全一致率（抽出値が正解値と完全に一致するフィールドの割合）が含まれます。最適化された命令は、サンプルから学習したパターンを組み込み、より詳細で具体的になります。例えば、初期命令「請求書番号」が「請求書番号、通常はドキュメントヘッダーの右上隅にあり、'Invoice #'または'Invoice No.'に続く数字または英数字コードとしてフォーマットされています」に変わることがあります。
最適化ワークフローを説明するために、架空の自転車製造会社の注文書抽出シナリオを考えます。注文番号、商品説明、数量、単価、合計などのフィールドを抽出するブループリントを作成します。Cycle CentralやBike Worldなどの小売業者からの4つの代表的な注文書と対応する正解値ファイルをアップロードして最適化を実行すると、精度が向上します。最適化前は、ファイルごとの完全一致率（最高ケース）が92%、全体の完全一致率が90%でしたが、最適化後はそれぞれ100%と92%に改善されました。高ボリュームを処理する場合、数パーセントの精度向上でも、手動レビューキューを削減し、処理スループットを高速化することに直接つながります。
ブループリント命令最適化の使用を開始するには、Amazon BedrockコンソールまたはAPIを介してアクセスします。独自のドキュメントを使用するか、サンプルソリューションをデプロイします。サンプルソリューションには、ブループリント、サンプルPDFドキュメント、正解値JSONファイルが含まれています。前提条件として、AWSアカウント、サポートされているリージョンで有効化されたAmazon Bedrock Data Automation、BDAとAmazon S3を使用するためのIAMロール、本番ワークロードを代表する3〜10のサンプルドキュメント、および各サンプルドキュメントの正解値JSONファイルが必要です。サンプルソリューションをデプロイするには、GitHubリポジトリからCloudFormationテンプレートをダウンロードし、AWS CloudFormationコンソールでスタックを作成し、提供されたSageMaker AIノートブックを使用して最適化ワークフローを実行します。コンソールを使用する場合は、手動でブループリントを作成し、ドキュメントと正解値をアップロードします。最適化が完了すると、BDAはファイルごとおよび全体の最適化前後の精度メトリクスを表示し、最適化されたブループリントを保存できます。完全一致率やF1スコアなどのメトリクスを理解することで、最適化されたバージョンを保存するか、サンプルを追加して再実行するかを判断できます。
ブループリント命令最適化は、ドキュメント抽出のためのより迅速で効率的な経路を提供し、数週間から数分へのチューニング時間を劇的に短縮し、本番環境の精度を直接向上させます。