AIデータ抽出の仕組み
まず文書をテキストに変換します。PDFのテキストレイヤーはそのまま読み取り、スキャンしたページやJPG、PNG、WebPファイルはOCRにかけます。次に、埋めるべき項目を列挙したJSONスキーマと一緒にテキストを言語モデルへ渡し、モデルにはそのスキーマに合うJSONだけで答えさせます。
値は文書からのみ取ります。記載のない項目は推測ではなくnullや空のリストとして返り、日付と金額はそのまま表計算やデータベースに入れられるよう正規化されます。モデルはFileConvertLab自身のサーバーで動作しています。アップロードしたファイルの扱いはプライバシーポリシーをご覧ください。
すぐ使えるテンプレート
手作業で打ち直されることの多い文書を5つのテンプレートでカバーします。請求書テンプレートは発行者、宛先、番号、発行日と支払期日、通貨、小計、税、合計、各明細を返します。履歴書テンプレートは連絡先、スキル、職歴、学歴を、契約書テンプレートは当事者、日付、期間、支払条件、準拠法、義務、署名者を返します。
製品仕様書テンプレートはデータシートから型番、寸法、素材、技術仕様、認証を集め、学術論文テンプレートはタイトル、著者、掲載誌、DOI、要旨、キーワード、手法、主な結果を返します。表を表のまま扱いたい場合はPDFからExcelのほうが適しています。
独自のスキーマ
どのテンプレートも合わなければ「カスタムスキーマ」を選び、項目をJSON Schemaで記述します。propertiesを持つオブジェクトで、各項目にstring、number、boolean、array、objectなどの型と、モデルに何を探すかを伝える任意の説明を付けます。入れ子のオブジェクトやオブジェクトのリストにも対応し、深さは4階層、項目は60個までです。
すべてのリストには最大件数が、すべての文字列項目には最大長が設定されるため、回答は必ず完結します。項目名は短く分かりやすくしてください。モデルは名前と説明を読むので、説明「YYYY-MM-DD」付きの「delivery_date」は「d1」より良い結果になります。同じスキーマはAPIからも送れます。
制限
プランのページ数上限まで、すべてのページを読み取ります。非常に長い文書で処理時間が足りなくなった場合は、それまでに読み取ったページの結果を返し、その旨を表示します。ファイルは50 MBまでです。スキャンは先にOCRにかけるため、斜めに撮った写真よりまっすぐできれいなスキャンのほうが良い結果になります。
言語モデルは、特に画質の低いスキャンや珍しいレイアウトで値を読み違えたり見落としたりすることがあります。重要な数値は使う前に文書と照合してください。項目を抽出するのではなくスキャンを検索可能にしたい場合はOCR PDFを使ってください。