Foto per l'articolo IA per l'estrazione di dati
Foto di Pexels su Pixabay

Ricerca e documenti

IA per l'estrazione di dati

Estrarre campi da fatture, moduli o tabelle con l'IA può ridurre la trascrizione manuale. Il beneficio reale dipende però da quanti dati arrivano corretti nel …

Questo è uno pseudonimo editoriale della testata, non una dichiarazione di identità personale verificata in modo indipendente. Firma editoriale originale: Redazione IA.

Questa guida pratica tratta l’estrazione di campi, righe e tabelle da documenti, con un esempio centrato sulle fatture. Estrarre campi da fatture, moduli o tabelle con l’IA può ridurre la trascrizione manuale. Il beneficio reale dipende da quanti dati arrivano corretti al sistema finale e da quanto tempo richiede verificare gli errori.

Valutate il flusso completo, non solo l’anteprima che evidenzia parole sul documento. Il servizio descritto qui è Azure Document Intelligence in Foundry Tools: modelli, limiti e modalità d’integrazione dipendono da questa offerta.

Definire i dati che contano

Partite da un processo specifico, ad esempio la registrazione di fatture fornitore. Elencate campi obbligatori, formati e controlli: numero, data, fornitore, imponibile, imposta, totale e righe. Stabilite quali errori sono bloccanti: un totale letto correttamente non compensa un identificativo del fornitore attribuito alla società sbagliata.

Il modello scelto deve restituire questi campi in un formato strutturato e utilizzabile dal processo a valle. Verificate i limiti del modello e del piano prima di scegliere un campione che il piano di prova non elaborerebbe per intero.

Campi e controlli da definire prima di estrarre

  • Elenca i campi obbligatorinumero, data, fornitore, imponibile, imposta, totale
  • Definisci formati e tipi di dato attesi
  • Stabilisci i controlli di validazione
  • Individua gli errori bloccanti (es. identificativo fornitore errato)
  • Verifica i limiti del modello e del piano prima di scegliere il campione

Preparare una risposta corretta di riferimento

Il test usa documenti con valori corretti noti. Questo riferimento consente di confrontare i valori estratti con quelli attesi.

Preparare il riferimento di test

  1. Seleziona documenti con valori corretti noti
  2. Costruisci la risposta attesa per ogni campo e riga
  3. Confronta i valori estratti con quelli attesi

Tabelle e formati variabili

Le tabelle con strutture variabili sono un caso critico. Per estrarre testo, tabelle, segni di selezione e struttura del documento, valutate il modello di layout di Azure Document Intelligence.

Scegliere il modello in base all’output

Il riferimento di questa guida è Azure Document Intelligence in Foundry Tools. Il modello predefinito per fatture, prebuilt-invoice, estrae campi e righe da fatture, bollette, ordini di vendita e ordini di acquisto, restituendo dati strutturati in JSON. Tra i campi possono esserci nome del cliente, indirizzo di fatturazione, scadenza e importo dovuto.

Il modello di layout, prebuilt-layout, individua testo, tabelle, segni di selezione e struttura del documento. Scegliete il modello in base agli elementi che devono arrivare al passaggio successivo. Per Document Intelligence v4.0, la versione del modello di layout è datata 2024-11-30 ed è GA.

Il modello per fatture supporta 27 lingue e documenti di qualità e formati diversi, comprese immagini acquisite con il telefono, scansioni e PDF digitali. Verificate che la lingua e la categoria dei vostri documenti rientrino tra quelle supportate: il solo numero di lingue non ne identifica l’elenco.

Google Document AI è un’alternativa con processor valutabili tramite precisione e richiamo. Le metriche confrontano le entità restituite dal processor con le annotazioni dei documenti di test.

Per i processi di supply chain, Retarus propone una soluzione Intelligent Document Processing (IDP) per interpretare documenti complessi. Le informazioni estratte possono essere trasformate e instradate tramite Retarus EDI verso i sistemi ERP aziendali.

Modelli e alternative per l’estrazione

  • prebuilt-invoiceEstrae campi e righe da fatture, bollette, ordini di vendita e acquisto; output JSON; supporta 27 lingue
  • prebuilt-layoutIndividua testo, tabelle, segni di selezione e struttura; v4.0 versione modello 2024-11-30 GA
  • Google Document AIProcessor valutabili con precisione e richiamo; confronto tra entità restituite e annotazioni dei documenti di test
  • Retarus IDPPer la supply chain: interpreta documenti complessi e instrada i dati via EDI verso i sistemi ERP

Controllare formato e qualità dei file

Per il modello di layout di Azure Document Intelligence, i formati supportati includono PDF, immagini JPEG, PNG, BMP, TIFF e HEIF, oltre a Word, Excel, PowerPoint e HTML. Prima dell’elaborazione, controllate il formato effettivo dei file in ingresso, soprattutto se arrivano da sistemi diversi.

Per PDF e TIFF è possibile elaborare fino a 2.000 pagine; nel livello gratuito vengono elaborate soltanto le prime due pagine. La dimensione massima del file è 500 MB nel livello a pagamento S0 e 4 MB nel livello gratuito F0. Un PDF protetto da password deve essere sbloccato prima dell’invio.

Per foto e scansioni è consigliata un’immagine nitida o una scansione di alta qualità per documento. Le dimensioni dell’immagine devono essere comprese tra 50 × 50 e 10.000 × 10.000 pixel. A 1024 × 768 pixel, l’altezza minima indicata per il testo da estrarre è 12 pixel, equivalente a circa 8 punti a 150 dpi.

Formati supportati dal modello layout

  • PDFSupportato
  • JPEGSupportato
  • PNGSupportato
  • BMPSupportato
  • TIFFSupportato
  • HEIFSupportato
  • WordSupportato
  • ExcelSupportato
  • PowerPointSupportato
  • HTMLSupportato

Limiti operativi per l’elaborazione

  • 2.000Pagine massime PDF/TIFF
  • 2Pagine nel livello gratuito
  • 500MBDimensione massima file S0
  • 4MBDimensione massima file F0
  • 12Altezza minima testo a 1024×768

Collegare l’estrazione al processo

Per Azure Document Intelligence sono disponibili Document Intelligence Studio, REST API e SDK per C#, Python, Java e JavaScript. Provate l’elaborazione nello Studio, poi valutate un’integrazione tramite API o SDK. Verificate che il formato strutturato prodotto sia utilizzabile dal processo destinatario.

Definite in anticipo quali elementi dell’output devono essere acquisiti dal gestionale. Controllate che il passaggio conservi i campi e le righe necessari al vostro processo.

Collegare l’estrazione al processo

  1. Provare l’elaborazione in Document Intelligence Studio
  2. Valutare l’integrazione tramite REST API o SDK
  3. Verificare che l’output strutturato sia utilizzabile dal processo destinatario
  4. Definire in anticipo quali elementi dell’output devono essere acquisiti dal gestionale
  5. Controllare che il passaggio conservi campi e righe necessari

Revisione e costo del risultato accettabile

La revisione umana riguarda i valori incerti. Il lavoro di correzione va misurato.

In questa guida

  1. Testare fatture con risposte notePer valutare l'estrazione automatica delle fatture servono valori corretti con cui confrontare l'output. Senza un riferimento verificato, un'interfaccia ordinata …
  2. Confrontare l'estrazione da tabelle differenti: criteriUn sistema può leggere tutte le parole di una tabella e assegnarle alle colonne sbagliate. Per un processo aziendale conta la struttura: ogni importo deve restare …
  3. Prevedere revisione umana per dati incerti: criteriUn valore estratto con confidenza alta può comunque essere sbagliato. La revisione umana serve dove un errore avrebbe conseguenze e dove i dati non superano …
  4. Misurare il lavoro necessario per correggere gli erroriIl costo dell'estrazione automatica non finisce quando il servizio restituisce un file strutturato. Bisogna trovare gli errori, correggerli e verificare che i dati …

Altro su Ricerca e documenti