# ドキュメントの取込みとモデリング

> ドキュメントの取込みとモデリング - モデリングへの入力として、PDFドキュメントを取り込む方法を学びます。

This Markdown file sits beside the HTML page at the same path (with a `.md` suffix). It summarizes the topic and lists links for tools and LLM context.

Companion generated at `2026-07-15T05:55:44.964817+00:00` (UTC).

## Primary page

- [ドキュメントの取込みとモデリング](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md): Full documentation for this topic (Markdown sidecar).

## Sections on this page

- [PDFデータの準備](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md#prepare-pdf-data): In-page section heading.
- [テキスト付きモデル](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md#model-with-text): In-page section heading.
- [ドキュメント設定](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md#document-settings): In-page section heading.
- [ドキュメントタスクを設定](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md#set-document-task): In-page section heading.
- [言語設定](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md#set-language): In-page section heading.
- [データ品質](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md#data-quality): In-page section heading.
- [一歩進んだ操作：テキスト処理の詳細](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md#deep-dive-text-handling-details): In-page section heading.
- [埋め込みテキスト](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md#embedded-text): In-page section heading.
- [スキャンされたテキスト（OCR）](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md#scanned-text-ocr): In-page section heading.
- [Base64文字列](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md#base64-strings): In-page section heading.

## Documentation content

モデリングに使用されるPDFドキュメントは、ブループリント内のタスクによって抽出され、単一テキスト列で構成されるデータセットとして登録されます。列内の各行は、単一のドキュメントを表し、値は、抽出されたテキスト—タイプの特徴量 `document` となります。

モデルを構築する手順は以下のとおりです。

1. データの準備 .
2. 取込み、PDFのテキストへの変換、データの分析などの テキストを含むモデル 。

## PDFデータの準備

以下のオプションでは、モデリング用にDataRobotにインポートできるデータとして、スキャンを伴う埋め込みテキストPDFまたはPDFドキュメントを準備する方法について説明します。 両方のデータ処理方法の詳細については、以下の [詳細](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-ingest.html.md#deep-dive-text-handling-details) を参照してください。

- データセット内に、base64でエンコードされた文字列として、PDFドキュメントを含めます。 （参考として、DataRobot Pythonクライアントのユーティリティメソッドを参照してください。）
- データセットに関連するPDFドキュメントを参照するデータセットファイルを含むアーカイブファイル（zipなど）をアップロードします（データセットのドキュメント列には、ドキュメントへのパスが含まれます）。
- 二値分類または多クラス分類の場合、フォルダーごとにPDFドキュメントクラスを分離し、分離されたPDFをアーカイブに圧縮してアップロードします。 DataRobotは、ディレクトリ名で列を作成し、ターゲットとして使用できます。
- 教師なしプロジェクトの場合、ルート（ディレクトリは必要ありません）にすべてのPDFファイルを含めます。
- ドキュメントおよびその他のバイナリファイル（画像など）とともに、データセットを含めます。 データセットでは、アーカイブ内のデータセットファイルへの相対パスで、バイナリファイルを参照できます。 この方法は、任意のプロジェクトタイプで機能し、ドキュメントの特徴量タイプとDataRobotがサポートする他のすべての特徴量タイプを組み合わせることが可能です。

ZIPファイルをアップロードするときに、付随するCSVファイルを指定し、アップロード済みドキュメントをサポートする追加情報を提供します。 CSV内の1つの列には、参照ドキュメントファイル名を含むことが必要となります。 行に含まれる他のすべての値は、ドキュメントに関連付けられ、モデリング特徴量として使用されます。

> [!NOTE] Document Text Extractorタスクによるテキスト抽出
> DataRobotは、 テキスト PDFドキュメントからすべてのテキストを抽出します。 画像にテキストが含まれている場合、そのテキストは、画像がいかに作成されたかに応じて、使用される場合と使用されない場合があります。 画像内のテキストがモデリングに使用できるかどうかを判断するには、PDFエディターで画像を開き、テキストを選択してみます。選択できる場合、DataRobotはそのテキストをモデリングに使用します。 DataRobotが任意の画像からテキストを抽出できるようにするには、Tesseract OCRタスクを選択します。

## テキスト付きモデル

Document AIを使用してプロジェクトを開始するには：

1. アップロードまたはAIカタログのいずれかを介して、準備したデータセットファイルをロードします。 以下の点に注意してください。
2. DataRobotが正しいドキュメント処理タスクを使用していることを確認し、言語を設定します。
3. EDA1（取込み）後のデータを調べて、データセットの内容を理解します。
4. モデリングの構築を開始するには、「開始」を押します。
5. Document AIのインサイトを使用して、データを調べます。

## ドキュメント設定

ターゲットを設定した後、 ドキュメント設定 の高度なオプションを使用して、ドキュメントタスクのタイプと言語を確認または変更します。

### ドキュメントタスクを設定

ブループリントで使用する2つのドキュメントタスクのいずれかを選択します。 Document Text Extractor または Tesseract OCR です。 EDA1では、DataRobotが埋め込みテキストを検出できる場合、 Document Text Extractor を適用します。それ以外の場合、 Tesseract OCR を選択します。

- 埋め込みテキストの場合、Document Text Extractorは、高速で精度が高いので推奨されます。
- ドキュメント内の画像からのテキストを含む、すべての表示可能なテキストを抽出するには、Tesseract OCRタスクを選択します。
- PDFにスキャンが含まれている場合、スキャンに「ノイズ」を含む品質問題がある可能性があります。ページが回転しており、コントラストが鮮明ではありません。 EDA1が完了すると、データテーブルのタイプDocumentエントリーを展開して、スキャンの状態を表示できます。

### 言語設定

ドキュメントの言語を確認して設定することが重要です。 適切な事前トレーニング済み言語モデルを設定するには、正しい言語が、OCRエンジンに設定されている必要があります。 DataRobotのOCRエンジンは、105の言語をサポートしています。

## データ品質

データセットが、AIカタログにロードされている場合は、 プロファイル タブを使用して、視覚的な検査を行います。

アップロードした後にデータを分析し、以下の内容を表示します。

- 特徴量名、つまり、アーカイブファイルが、ZIPファイルからのフォルダー、クラス列、フォルダー名に分割されている場合。
- document特徴量のタイプ。
- データセットファイルが、アーカイブファイル内に指定されていない場合、リファレンスIDは、後でどの予測が、どのファイルに属するかの識別に役立つためのすべてのファイル名を提供します。

さらに、DataRobotのデータ品質評価は、モデリングの前にエラーを識別できるように、問題を識別するのに役立ちます。

ログをプレビュー をクリックし、オプションでログをダウンロードし、エラーを識別し、データセットを修正します。 エラーには、以下のようなものがあります。

- There is no file with this name
- Found empty path
- File not in PDF format or corrupted
- The file extension indicates that this file is not of a supported document type

## 一歩進んだ操作：テキスト処理の詳細

DataRobotは、埋め込みテキストとPDFの両方をスキャン処理します。 埋め込みテキストドキュメントは、PDFビューアーでテキストを選択および/または検索できるPDFです。 スキャンを含むPDFは、光学文字認識（OCR）を介して処理され、テキストは、PDFビューアーで検索または選択を行うことはできません。 これは、テキストがPDF内の画像の一部であるためです。

### 埋め込みテキスト

[リポジトリ](https://docs.datarobot.com/ja/docs/classic-ui/modeling/build-models/build-basic/repository.html.md) で使用できるブループリントは、テキスト特徴量で使用できるブループリントと同じです。 テキストベースのブループリントではテキストを直接使用しますが、 `document` 特徴量を含むブループリントでは、 Document Text Extractor タスクの追加を確認できます。 PDFファイルを取得し、テキストを抽出し、後続のすべてのタスクにテキストを提供します。

### スキャンされたテキスト（OCR）

スキャンを含むPDFドキュメントには、埋め込みテキストがないため、テキストは、直接機械での読み取りができません。 DataRobotは、PDF上で光学文字認識（OCR）を実行し、テキストを識別して抽出します。 OCRを使用するブループリントは、Tesseract OCRタスクを使用します。

Tesseract OCR タスクは、ドキュメントを開き、各ページを画像に変換し、Tesseractライブラリで画像を処理してテキストを抽出します。 次に、 Tesseract OCR タスクは、テキストを次のブループリントタスクに渡します。

モデル構築後に [ドキュメントインサイト](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-insights.html.md#document-insights) の視覚化を使用して、サンプルページと検出テキストを表示します。 Tesseractエンジンは、小さなフォントに問題がある可能性があるため、 [高度なチューニング](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/doc-ai/doc-ai-insights.html.md#advanced-tuning) を使用して、解像度を調整します。

### Base64文字列

DataRobotは、base64でエンコードされた文字列もサポートします。 ドキュメント（および [画像](https://docs.datarobot.com/ja/docs/classic-ui/modeling/special-workflows/visual-ai/vai-model.html.md) ）データセットの場合、DataRobotは、PDFファイルをbase64文字列に変換し、取込み中にデータセットファイルに含めます。 取込み後、ZIPファイルの代わりに、画像およびPDFファイルをbase64文字列として含む単一CSVファイルがあります。