Интенсив 21–22.11 · БесплатноБесплатный 2-дневный интенсив по вайбкодингу 21–22 ноября в 16:00 МСК (Сб–Вс) · Живой Поток 3 стартует 23.11Записаться бесплатно →Поток 3 (23.11)
Безопасность и правоРазбор · На радарAWS Machine Learning Blog→ оригинал

Amazon Textract Insights разбирает пакеты до 3000 страниц и показывает источник каждого поля

Amazon запустила Textract Insights: сервис достаёт из сканов нужные поля по описанию обычными словами, без обучения модели. Ипотечную заявку на 26 страниц со справкой W-2, выписками и рукописными заметками он режет на документы одним запросом (файл — до 3000 страниц). У каждого значения есть оценка уверенности, страница и рамка на ней, поэтому надёжные поля идут в систему сами, а сомнительные — к человеку.

AI-обработка оригинала AWS Machine Learning Blog; редакция Hamidun News
Amazon Textract Insights разбирает пакеты до 3000 страниц и показывает источник каждого поля
Источник: AWS Machine Learning Blog. Коллаж: Hamidun News.
Слушать статью
Паспорт материала и цифры
ПараметрДанные
ПервоисточникAWS Machine Learning Blog ↗
Главный редактор
Ключевой факт #1Форматы PDF, PNG, JPEG и TIFF; Insights понимает 6 языков, включая английский
Ключевой факт #2Оплата за страницу, а не за токены, без минимальных обязательств
Ключевой факт #3Textract Core вырос до 40 языков и 18 регионов, Insights в новых пока нет

Банки, страховщики и госорганы годами сканируют бумаги, но отдать их разбор нейросети целиком мешает недоверие: непонятно, откуда взялась цифра и можно ли записывать её в базу без проверки. Amazon вывела в общий доступ Textract Insights — новую функцию сервиса Amazon Textract, которая отвечает именно на этот вопрос. Представьте ипотечную заявку: один PDF на 26 страниц, где вперемешку лежат справка W-2, расчётные листки, банковские выписки и рукописные заметки кредитного специалиста.

Вы описываете нужные поля обычными словами, отправляете файл (до 3000 страниц) одним запросом, и сервис сам режет его на документы. Для каждого найденного значения он возвращает оценку уверенности, а также страницу и координаты рамки, откуда значение взято. По оценке можно решить, что пропустить автоматически, а что отдать человеку, а по странице и рамке — быстро сверить результат с оригиналом.

Как это работает на примере ипотечной заявки

Раньше команды выбирали из двух вариантов. Первый — собрать собственный конвейер из распознавания текста, нарезки на документы, классификатора, запроса к языковой модели и этапа проверки, а потом всё это поддерживать. Второй — отправить файл в универсальную LLM. Она отвечает бегло, но не всегда указывает исходную страницу и не даёт калиброванной оценки уверенности.

В Textract Insights вы описываете нужные поля в так называемом blueprint — это JSON Schema, где у каждого поля есть текстовое описание на естественном языке. Для каждого поля задаётся тип: значение либо читается с листа дословно, либо выводится из содержимого документа. Для типовых бумаг есть готовые публичные шаблоны: W-2, Form 1040, Form 1098, паспорт, свидетельство о рождении. Для своих документов шаблон пишется самостоятельно.

Дальше вы добавляете в проект шаблоны для всех ожидаемых типов, включаете нарезку и одним вызовом StartDocumentInsights отправляете файл из S3. Сервис делит пакет на логические документы, сопоставляет каждый со своим шаблоном и складывает результат обратно в ваш бакет. Работа асинхронная, обучать модель не нужно.

Что это даёт на практике

Главная ценность — управляемая автоматизация. Аудитор может сверить любое поле с оригиналом, а команда сама выбирает порог уверенности: выше него значения идут дальше без участия человека, ниже — на ручную проверку. Компания Symbeo (входит в CorVel), которая обрабатывает медицинские счета из множества источников с разными форматами, отмечает именно это: ручную проверку можно сосредоточить только на полях с низкой уверенностью. Стоит оговориться, что Symbeo пока оценивала сервис, а нарезку пакетов называет тем, что хочет изучить, а не уже работающим решением.

Заодно Amazon обновила базовый движок Textract Core: улучшена точность, лучше обрабатываются плотные таблицы и рукописный текст, а число языков для API DetectDocumentText и AnalyzeDocument выросло до 40. Эти API не менялись, так что улучшения достаются существующим клиентам без переделки кода. Textract Core также появился в регионах Токио и Цюрих, всего их теперь 18.

Ограничения и что проверить до внедрения

  • Сам Insights поддерживает только шесть языков: английский, французский, немецкий, итальянский, португальский и испанский.
  • В Токио и Цюрихе Insights пока недоступен, это относится только к Core.
  • Запросы на вывод могут обрабатываться в другом регионе внутри вашей географии. Например, запрос из США остаётся в США. Для строгих требований к локализации данных это нужно сверить с документацией. Core, напротив, работает в том регионе, который вы вызываете.
  • Промежуточные данные задания шифруются ключами AWS и удаляются после завершения. Собственный ключ KMS можно указать через EncryptionConfiguration; ключ проекта на задания не распространяется.
  • Цена считается за страницу, а не за токены, без минимальных обязательств. Конкретные тарифы в анонсе не приведены.

Вывод для разработчиков и продактов простой: прежде чем переводить поток на автомат, возьмите репрезентативную выборку своих документов и подберите порог уверенности. Amazon сама рекомендует этот шаг. Калибровка на реальных данных покажет, какая доля полей действительно проходит без человека, и только тогда можно считать экономику проекта. Если ваша команда сейчас поддерживает самодельный конвейер из OCR, классификатора и LLM, это повод сравнить стоимость владения с одним управляемым API.

Сюжет

Вопросы и ответы по материалу

Что известно по теме: как это работает на примере ипотечной заявки?

Раньше команды выбирали из двух вариантов. Первый — собрать собственный конвейер из распознавания текста, нарезки на документы, классификатора, запроса к языковой модели и этапа проверки, а потом всё это поддерживать. Второй — отправить файл в универсальную LLM. Она отвечает бегло, но не всегда указывает исходную страницу и не даёт калиброванной оценки уверенности.

Что известно по теме: что это даёт на практике?

Главная ценность — управляемая автоматизация. Аудитор может сверить любое поле с оригиналом, а команда сама выбирает порог уверенности: выше него значения идут дальше без участия человека, ниже — на ручную проверку. Компания Symbeo (входит в CorVel), которая обрабатывает медицинские счета из множества источников с разными форматами, отмечает именно это: ручную проверку можно сосредоточить только на полях с низкой уверенностью.

Что известно по теме: ограничения и что проверить до внедрения?

Сам Insights поддерживает только шесть языков: английский, французский, немецкий, итальянский, португальский и испанский. В Токио и Цюрихе Insights пока недоступен, это относится только к Core. Запросы на вывод могут обрабатываться в другом регионе внутри вашей географии. Например, запрос из США остаётся в США. Для строгих требований к локализации данных это нужно сверить с документацией. Core, напротив, работает в том регионе, который вы вызываете.

ЖХ
Жемал Хамидун — CPO Alpina Digital, продакт-менеджер AlpinaGPT. Делает AI-продукты с 2019 года. Hamidun News — pet project, который вырос в production-агрегатор с 6000+ читателей.
✦ Закрытый клуб практиков · Vibe Club

Внедряйте ИИ быстрее рынка вместе с инженерами и фаундерами

Внутри Vibe Club (hamidun.com/club): еженедельные живые мастермайнды и разборы архитектуры с Жемалом Хамидуном, закрытый Tech Radar, LMS и обновляемая база из 370+ боевых скиллов.

Вступить в Vibe Club →Тест-драйв Академии (72ч)
Что вы думаете?
Загружаем комментарии…