Document AIのインサイト¶

DataRobotは、document特徴量の理解に役立つさまざまな視覚化を提供します。

* これらのインサイトは、DataRobotでのtext特徴量の処理と同様に機能しますが、若干の違いがあります。

インサイトを文書化¶

ドキュメントインサイトタブは、ドキュメントのテキスト要素固有の性質を、表示および理解するのに役立つdocument特異な視覚化を提供します。 ドキュメントの提供されたページとドキュメントの抽出テキストを比較できます。 画面には、以下の複数の要素があります。

このインサイトは、DataRobotがドキュメントから抽出した情報、および正しいタスクを選択したかどうかを再確認するのに役立ちます。 たとえば、画像からの情報が使用できず、その画像内からテキストが必要な場合は、OCRタスクで再試行できます。

インサイトを使用するには：

1. 高レベルのページプレビュー（1）をクリックして、ページを選択します。 中レベルおよび詳細ページが更新され、選択したページが反映されます。

2. 中間レベルプレビュー（2）で1つの行を選択し、

   • ズームイン/ズームアウト機能を使用して、ビューを変更します。
   • 複数ページのドキュメントには、ページネーションを使用します。
   • 線は、詳細ページビューで強調表示されることに注意してください。

   

3. 詳細ページビューで行を選択

クラスタリングインサイト¶

Document AIは クラスターインサイトもサポートします。 document 特徴量に基づくクラスターごとに、DataRobotは、ドキュメント列に特徴量のngramを表示します。 各ngramは、有用性に応じてリストされます。 以下の例では、インサイトを示しています。

• クラスター内画像のプレビュー。 カーソルを合わせると画像が拡大します。

• 見つかったngramのランク付けされた有用性。 特徴量にカーソルを合わせると、ドキュメント内での使用に関する詳細が表示されます。

  

高度なチューニング¶

Tesseract OCRエンジンは、非常に小さいテキストのドキュメント（一部の脚注など）を認識できない場合があります。 その場合、モデルの精度にテキストが必要な場合は、 高度なチューニングを使用して、モデルパラメーターを手動で設定します。

Tesseract OCRタスクが存在する場合、このチューニングでResolutionオプションが使用可能となります（言語オプションと同様）。 解像度は、DPIの数を設定し、Tesseractライブラリで処理する前に、ドキュメントページを画像に変換するために使用される値です。 数値が大きいほど、OCRの結果は改善する可能性がありますが、実行時間が長くなります。 つまり、ドキュメントインサイトなどからテキストが欠損していることに気付いた場合、値を増やして結果を比較できます。