חילוץ מותאם אישית באמצעות AI גנרטיבי

אימון וחילוץ באמצעות AI גנרטיבי מאפשרים לכם:

• שימוש בטכנולוגיית zero-shot ו-few-shot כדי לקבל מודל עם ביצועים גבוהים, עם מעט נתוני אימון או בלי נתוני אימון בכלל, באמצעות מודל הבסיס.
• ככל שתספקו יותר נתוני אימון, תוכלו להשתמש בכוונון עדין כדי לשפר עוד יותר את הדיוק.

שיטות לאימון AI גנרטיבי

שיטת האימון שתבחרו תלויה במספר המסמכים שזמינים לכם ובכמות המאמץ שאתם יכולים להשקיע באימון המודל. יש שלוש דרכים לאמן מודל AI גנרטיבי:

שיטת האימון	בלי דוגמאות (zero-shot)	פרומפט עם כמה דוגמאות (few-shot)	כוונון עדין
דיוק	בינוני	בינוני-גבוה	גבוהה
מאמץ	נמוכה	נמוכה	בינוני
מספר מומלץ של מסמכי אימון	0	5 עד 10	‫10 עד 50 ומעלה

הערה: אפשר לצפות לתוצאות טובות למדי עם 10 עד 50 דוגמאות לאימון, ואפשר לשפר עוד יותר את הביצועים על ידי הגדלת מספר הדוגמאות למאות או לאלפים, בהתאם למורכבות ולשונות של המסמכים ומשימות החילוץ.

גרסאות של מודלים לחילוץ מותאם אישית

המודלים הבאים זמינים לחילוץ מותאם אישית. כדי לשנות את גרסאות המודל, קראו את המאמר ניהול גרסאות של מעבדים.

גרסאות 1.4, ‏ 1.5 ו-1.5 Pro תומכות בציוני מהימנות.

גרסת המודל	תיאור	ערוץ הפצה	עיבוד נתוני למידת מכונה בארה"ב או באיחוד האירופי	כוונון עדין בארה"ב ובאיחוד האירופי	תאריך השקה
pretrained-foundation-model-v1.5-2025-05-05	גרסה מועמדת שמוכנה לייצור, שמבוססת על מודל השפה הגדול Gemini 2.5 Flash. מומלץ למי שרוצה להתנסות במודלים חדשים יותר.	יציב	כן	ארה"ב, האיחוד האירופי	‫5 במאי 2025
pretrained-foundation-model-v1.5-pro-2025-06-20	מודל מוכן לייצור שמבוסס על Gemini 2.5 Pro LLM. תמיכה במכסה של עד 30 דפים לדקה לבקשות עיבוד אונליין. המודל הזה משופר בהשוואה לגרסה 1.5, ויכול להיות שזמן האחזור שלו יהיה ארוך יותר.	יציב	כן	לא	‫20 ביוני 2025
pretrained-foundation-model-v1.5.1-2025-08-07	מודל Public Preview שמבוסס על המודל הגדול של שפה (LLM) ‏Gemini 2.5 Flash. למודל הזה יש את אותן תכונות כמו לגרסה 1.5, והוא כולל למידה אדפטיבית משופרת מכמה דוגמאות (few-shot).	גרסה מועמדת להפצה	כן	לא	‫8 באוגוסט 2025
pretrained-foundation-model-v1.6-pro-2025-12-01	מודל בגרסת טרום-השקה (Preview) שמבוסס על Gemini 3 Pro LLM. הערה: גרסת המעבד הזו משתמשת בנקודת הקצה הגלובלית של Vertex AI Gemini, והיא לא תואמת לתקנים של מיקום אחסון הנתונים (DMZ). לדוגמה, בקשות בנקודות קצה בארה"ב ובאיחוד האירופי עשויות להיות מנותבות לכל מקום בעולם.	גרסה מועמדת להפצה	כן	לא	‫1 בדצמבר 2025
pretrained-foundation-model-v1.6-2026-01-13	גרסת טרום-השקה (Preview) של מודל שמבוסס על Gemini 3 Flash LLM. הערה: גרסת המעבד הזו משתמשת בנקודת הקצה הגלובלית של Vertex AI Gemini, והיא לא תואמת לתקנים של מיקום אחסון הנתונים (DMZ). לדוגמה, בקשות בנקודות קצה בארה"ב ובאיחוד האירופי עשויות להיות מנותבות לכל מקום בעולם.	גרסה מועמדת להפצה	כן	לא	‫13 בינואר 2026
pretrained-foundation-model-v3.1-lite-2026-07-15	מודל בגרסת טרום-השקה (Preview) שמבוסס על המודל הגדול לשפה Gemini 3.1 Lite. תמיכה בנקודות קצה במספר אזורים (mREP) בארה"ב ובאיחוד האירופי. הערה: אין תמיכה מלאה ב-CMEK בכל האזורים, ופרטים מסוימים לא מוצפנים. כדי לקבל תמיכה, צריך להיכנס לרשימת ההיתרים. Google Cloud פנו לצוות ניהול החשבון שלכם כדי לקבל מידע נוסף.	גרסה מועמדת להפצה	כן	כן	‫21 בספטמבר 2026
pretrained-foundation-model-v3.5-2026-05-26	מודל בגרסת טרום-השקה (Preview) שמבוסס על Gemini 3.5 Flash LLM.	גרסה מועמדת להפצה	כן	לא	‫26 במאי 2026

כדי לשנות את גרסת המעבד בפרויקט, קראו את המאמר ניהול גרסאות של מעבדים.

כדי לשלוח בקשה להגדלת המכסה (QIR) של מעבדי הנתונים שמוגדרים כברירת מחדל, צריך לפעול לפי השלבים לשליחת בקשה לשינוי המכסות.

הגדרה ראשונית

אם עדיין לא עשיתם זאת, הפעילו את החיוב ואת ממשקי ה-API של Document AI.

פיתוח והערכה של מודל AI גנרטיבי

1. יוצרים מעבד ומגדירים את השדות שרוצים לחלץ לפי השיטות המומלצות. חשוב לעשות את זה כי זה משפיע על איכות החילוץ.

   • עוברים אל Workbench ‏> Custom extractor ‏> Create processor ‏> Assign a name.

   

   • עוברים אל שנתחיל? > יצירת שדה חדש.

   

   הערה: שמות השדות במודל הבסיס יכולים להשפיע מאוד על הדיוק והביצועים של המודל. מומלץ לבחור שם תיאורי.

2. ייבוא מסמכים

   • מייבאים מסמכים עם תוויות אוטומטיות ומקצים מסמכים לקבוצת האימון ולקבוצת הבדיקה.
   • ב-zero-shot, נדרשת רק הסכימה. כדי להעריך את רמת הדיוק של המודל, צריך רק קבוצת בדיקה.
   • לפרומפט עם כמה דוגמאות (few-shot), מומלץ להשתמש בחמישה מסמכי אימון.
   • מספר מסמכי הבדיקה שצריך תלוי בתרחיש לדוגמה. באופן כללי, ככל שיש יותר מסמכי בדיקה, כך התוצאות טובות יותר.
   • מאשרים או עורכים את התוויות במסמך.

3. אימון המודל:

   • בוחרים באפשרות Build (פיתוח) ואז באפשרות Create new version (יצירת גרסה חדשה).
   • מזינים שם ולוחצים על יצירה.

   

הערה: כל תהליך כוונון עשוי להימשך כמה שעות (בהתאם לעומס על המערכת, ולא לגודל של משימת הכוונון) והזמן הקצוב לתפוגה שלו הוא 72 שעות. אם הכוונון מסתיים לפני כן, הוא נחשב לתקין.

טיפ: כדי לצמצם את החיכוך במחזור הפיתוח, כדאי לתזמן את משימות הכוונון בהתאם לזמן הזה. לדוגמה, בסוף יום שישי או בימים שונים למעבדים שונים.

1. הערכה:

   • עוברים אל Evaluate & test, בוחרים את הגרסה שאימנתם ולוחצים על View full evaluation.

   

   • עכשיו מוצגים מדדים כמו f1, דיוק ו-recall לכל המסמך ולכל שדה.
   • מחליטים אם הביצועים עומדים ביעדי הייצור. אם לא, מעריכים מחדש את קבוצות הנתונים לאימון ולבדיקה.

2. כדי להגדיר גרסה חדשה כברירת מחדל:

   • עוברים אל ניהול גרסאות.
   • לוחצים כדי להרחיב את האפשרויות, ואז לוחצים על הגדרה כברירת מחדל.
   הערה: מוודאים שהגרסה פרוסה ב-Status. אם היא לא מוגדרת, קודם בוחרים את גרסת הפריסה. עכשיו אפשר להגדיר את הגרסה החדשה כברירת המחדל.

   

   המודל שלך פרוס עכשיו. מסמכים שנשלחים למעבד הזה משתמשים בגרסה בהתאמה אישית. אתם יכולים להעריך את ביצועי המודל כדי לבדוק אם הוא צריך אימון נוסף.

הפניה להערכה

מנוע ההערכה יכול לבצע התאמה מדויקת או התאמה חלקית. בהתאמה מדויקת, הערך שחולץ חייב להיות זהה לאמת הקרקע (ground truth), אחרת הוא נחשב לפספוס.

חילוצים בהתאמה חלקית שהיו בהם הבדלים קלים, כמו הבדלים באותיות רישיות, עדיין נחשבים להתאמה. אפשר לשנות את זה במסך הערכה.

כוונון עדין

בתהליך הכוונון, אתם משתמשים במאות או באלפי מסמכים לאימון.

1. יוצרים מעבד ומגדירים את השדות שרוצים לחלץ לפי השיטות המומלצות, כי זה משפיע על איכות החילוץ.

   הערה: שמות השדות במודל הבסיס יכולים להשפיע מאוד על הדיוק והביצועים של המודל. חשוב לתת שם תיאורי.

2. מייבאים מסמכים עם תיוג אוטומטי, ומקצים מסמכים לקבוצת האימון ולקבוצת הבדיקה.

3. מאשרים או עורכים את התוויות במסמך.

4. מאמנים את המודל.

   • בוחרים בכרטיסייה Build ולוחצים על Create New Version בתיבה Fine-tuning.

   

   הערה: כוונון עדין יכוונן מודל בסיס, וזו האפשרות המומלצת, ואילו Train a custom model יאמן מודל רגיל שלא מבוסס על AI גנרטיבי.

   • נסו את הפרמטרים או הערכים שמוגדרים כברירת מחדל לאימון. אם התוצאות לא מספקות, אפשר לנסות את האפשרויות המתקדמות הבאות:

   • שלבי אימון (בין 1 ל-400): נקראים גם תקופות (epochs). שלבי האימון קובעים את התדירות שבה המשקולות עוברות אופטימיזציה בקבוצת נתונים במהלך הכוונון.

     • ערך נמוך מדי מצביע על סיכון שהאימון יסתיים לפני ההתכנסות (התאמת חסר).
     • אם הערך גבוה מדי, יכול להיות שהמודל יראה את אותה קבוצת נתונים כמה פעמים במהלך האימון, מה שעלול להוביל להתאמת יתר (overfitting).
     • פחות שלבים מובילים לזמן אימון מהיר יותר. מספרים גבוהים יותר יכולים לעזור במסמכים עם מעט וריאציות של תבניות (ומספרים נמוכים יותר במסמכים עם יותר וריאציות).
     הערה: במסוף Google Cloud אפשר לבצע בין שלב אחד ל-40 שלבי אימון. כדי להגדיר ערכים גבוהים יותר, צריך להשתמש ב-API בארכיטקטורת REST.

   • מכפיל קצב הלמידה (בין 0.1 ל-10): קובע את מהירות האופטימיזציה של הפרמטרים של המודל בנתוני האימון. הוא תואם בערך לגודל של כל שלב באימון.

     • שיעורים נמוכים פירושם שינויים קטנים במשקלי המודל בכל שלב אימון. אם הוא נמוך מדי, יכול להיות שהמודל לא יתכנס לפתרון יציב.
     • שיעורים גבוהים מצביעים על שינויים גדולים, ושיעור גבוה מדי יכול לגרום למודל לדלג על הפתרון האופטימלי ולהתכנס במקום זאת לפתרון פחות אופטימלי.
     • זמן האימון לא מושפע מבחירת קצב הלמידה.

   • נותנים שם, בוחרים את גרסת מעבד הבסיס הנדרשת ולוחצים על Create.

   

5. הערכה: עוברים אל הערכה ובדיקה, בוחרים את הגרסה שאימנתם ולוחצים על הצגת ההערכה המלאה.

   

   • עכשיו מוצגים מדדים כמו f1, דיוק ו-recall לכל המסמך ולכל שדה.
   • בודקים אם הביצועים עומדים ביעדי הייצור. אם לא, יכול להיות שצריך להוסיף מסמכי הדרכה.

6. כדי להגדיר גרסה חדשה כברירת מחדל:

   • עוברים אל ניהול גרסאות.
   • לוחצים כדי להרחיב את האפשרויות ובוחרים באפשרות הגדרה כברירת מחדל.

   

   הערה: מוודאים שהסטטוס של הגרסה הוא deployed. אם היא לא מופעלת, בוחרים באפשרות פריסת גרסה. עכשיו אפשר להגדיר את הגרסה החדשה כברירת המחדל כשהסטטוס שלה משתנה ל"נפרסה".

   המודל נפרס, ומסמכים שנשלחים למעבד הזה משתמשים עכשיו בגרסה בהתאמה אישית. אתם רוצים להעריך את ביצועי המודל כדי לבדוק אם הוא צריך אימון נוסף.

תיוג אוטומטי באמצעות מודל הבסיס

המודל הבסיסי יכול לחלץ שדות בצורה מדויקת ממגוון סוגי מסמכים, אבל אתם יכולים גם לספק נתוני אימון נוספים כדי לשפר את הדיוק של המודל במבנים ספציפיים של מסמכים.

כדי לתייג מסמכים בקנה מידה נרחב במהירות ובקלות, Document AI משתמש בשמות התוויות שאתם מגדירים ובהערות קודמות.

1. אחרי שיוצרים מעבד בהתאמה אישית, עוברים לכרטיסייה Get Started.
2. לוחצים על יצירת שדה חדש.

3. נותנים לתווית שם תיאורי וייחודי. בוחרים באפשרות חילוץ לערכים ישירות מהמסמך או באפשרות הסקה לערכים שהמערכת מסיקה. כך אפשר לשפר את הדיוק והביצועים של המודל הבסיסי.

   

4. כדי לשפר את הדיוק והביצועים של החילוץ, כדאי להוסיף תיאור (כמו הקשר נוסף, תובנות וידע קודם לכל ישות) של סוגי הישויות שהמודל צריך לזהות.

   הערה: בלי קשר למבנה התוכן או לווריאציות, הכללים מקדמים חילוצים אמינים ועקביים. כדי להנחות את המודל ולצמצם את הבלבול במסמך, כדאי לכלול תיאורי מאפיינים עם פרטי מיקום ותבניות טקסט של ערכי המאפיינים.

   

   הערה: אפשר לעדכן את התיאור. עם זאת, השינוי לא יופץ לגרסת המעבד בהתאמה אישית. תמונת מצב של התיאור נמצאת בגרסה של מודל העיבוד בהתאמה אישית.

5. עוברים לכרטיסייה Build ולוחצים על Import Documents.

   

6. בוחרים את הנתיב של המסמכים ואת הקבוצה שאליה רוצים לייבא את המסמכים. מסמנים את האפשרות של תיוג אוטומטי ובוחרים את המודל הבסיסי.

7. בכרטיסייה Build, לוחצים על Manage Dataset.

8. כשרואים את המסמכים שיובאו, בוחרים אחד מהם.

   

התחזיות מהמודל מודגשות עכשיו בסגול.

1. בודקים כל תווית שהמודל חזה ומוודאים שהיא נכונה.

2. אם יש שדות חסרים, מוסיפים גם אותם.

   הערה: חשוב שכל השדות יהיו מדויקים ככל האפשר, אחרת ביצועי המודל ייפגעו. פרטים נוספים על תוויות.

   

3. אחרי שבודקים את המסמך, בוחרים באפשרות סימון כמתויג. המסמך מוכן לשימוש על ידי המודל.

4. חשוב לוודא שהמסמך נמצא בקבוצת הנתונים לבדיקה או בקבוצת הנתונים לאימון.

שלוש רמות של סידור פנימי

עכשיו יש בכלי לחילוץ מותאם אישית שלוש רמות של סידור פנימי. התכונה הזו משפרת את החילוץ של טבלאות מורכבות.

הערה: אפשר להשתמש בשלוש רמות של הטמעה רק אם משתמשים בסוגי מודלים של AI גנרטיבי ("Foundation") בתוך הכלי לחילוץ מותאם אישית. מודלים של חילוץ, סיווג ופיצול תומכים רק בשתי רמות של סידור פנימי.

כדי לקבוע את סוג המודל, אפשר להשתמש בקריאות הבאות ל-API:

• processors.get
• processorVersions.get

התשובה של אלה היא ProcessorVersion, שמכיל את השדה modelType בגרסת טרום-השקה (Preview) של v1beta3.

התהליך ודוגמה

אנחנו משתמשים בדוגמה הזו:

1. לוחצים על שנתחיל? ויוצרים שדה:

   • יוצרים את הרמה העליונה.
   • בדוגמה הזו נעשה שימוש ב-officer_appointments.
   • בוחרים באפשרות זוהי תווית הורה.
   • בוחרים באפשרות מופע: Optional multiple.

   

2. לוחצים על הוספת שדה צאצא. עכשיו אפשר ליצור את התווית ברמה השנייה:

   • צריך ליצור officer לתווית הרמה הזו.
   • בוחרים באפשרות זוהי תווית הורה.
   • בוחרים באפשרות מופע: Optional multiple.

   

3. בוחרים באפשרות הוספת שדה צאצא מהרמה השנייה officer. יוצרים תוויות צאצא לרמה השלישית של ההיררכיה.

4. אחרי שמגדירים את הסכימה, אפשר לקבל חיזויים ממסמכים עם שלוש רמות של הטמעה באמצעות תיוג אוטומטי.

   

תיוג ישויות שמוטמעות בדפים שונים

המעבד pretrained-foundation-model-v1.5-2025-05-05 תומך בשלוש רמות של סידור פנימי בדפים.

1. לתייג ישות באופן רגיל בדף. הערה: הישות המתויגת תופיע רק בדף שבו היא מתויגת, וסרגל הניווט ישתנה מדף לדף. אם מצמידים את ישות האם, סרגל הניווט הזה נשאר קבוע.

   

2. מצמידים את ישות האם עם ישויות הצאצא שרוצים לתייג בדפים.

   

3. עוברים לדף עם ישות הצאצא או ישויות הצאצא שרוצים לתייג.

הערה: אפשר גם לבטל את ההצמדה של ישות האם, כך שהיא תופיע רק בדפים שבהם היא תויגה קודם.

הגדרת קבוצת הנתונים

כדי לאמן, לאמן מחדש או להעריך גרסת מעבד, צריך קבוצת נתונים של מסמכים. מעבדי Document AI לומדים מדוגמאות, בדיוק כמו בני אדם. קבוצת הנתונים משפרת את יציבות המעבד מבחינת הביצועים.

אימון של קבוצת הנתונים

כדי לשפר את המודל ואת הדיוק שלו, צריך לאמן מערך נתונים על המסמכים שלכם. המודל מורכב ממסמכים עם אמת קרקע (ground truth).

• כדי לאמן מודל חדש בגרסה pretrained-foundation-model-v1.5-2025-05-05, צריך לפחות 50 מסמכי אימון ו-50 מסמכי בדיקה.
• לפרומפט עם כמה דוגמאות (few-shot), מומלץ להשתמש ב-5 מסמכים.
• ב-zero-shot, נדרשת רק סכימה.

אמת קרקע (ground truth) היא הנתונים שסומנו בתוויות בצורה נכונה, כפי שנקבע על ידי בני אדם.

קבוצת נתונים לבדיקה

קבוצת נתוני הבדיקה היא מה שהמודל משתמש בו כדי ליצור ציון F1 (דיוק). הוא מורכב ממסמכים עם אמת קרקע (ground truth). כדי לראות באיזו תדירות המודל צודק, משתמשים באמת הקרקע (ground truth) כדי להשוות בין התחזיות של המודל (שדות שחולצו מהמודל) לבין התשובות הנכונות. קבוצת הנתונים לבדיקה צריכה להכיל לפחות 50 מסמכים בשביל pretrained-foundation-model-v1.5-2025-05-05.

חילוץ מותאם אישית עם תיאורי נכסים

תיאורי מאפיינים מאפשרים לאמן מודל על ידי תיאור השדות המתויגים. אתם יכולים לספק הקשר ותובנות נוספים לכל ישות. כך המודל יכול להתאמן על ידי התאמת שדות שמתאימים לתיאור שסיפקתם, ולשפר את דיוק החילוץ. אפשר לציין תיאורי נכסים גם לישויות ראשיות וגם לישויות משניות.

דוגמאות טובות לתיאורי מאפיינים כוללות מידע על מיקום ותבניות טקסט של ערכי המאפיינים, שעוזרים להבהיר מקורות פוטנציאליים לבלבול במסמך. תיאורי מאפיינים ברורים ומדויקים מנחים את המודל באמצעות כללים שמקדמים חילוצים אמינים ועקביים יותר, בלי קשר למבנה המסמך הספציפי או לשינויים בתוכן.

עדכון סכימת המסמך של מעבד

במאמר עדכון סכימת המסמך מוסבר איך להגדיר את תיאורי המאפיינים.

שליחת בקשת עיבוד עם תיאורי נכסים

אם כבר הוגדרו תיאורים בסכימת המסמך, אתם יכולים לשלוח בקשת עיבוד לפי ההוראות שמפורטות בקטע שליחת בקשת עיבוד.

כוונון מעבד באמצעות תיאורי מאפיינים

לפני שמשתמשים בנתוני הבקשה, צריך להחליף את הנתונים הבאים:

• ‫LOCATION: המיקום של המעבד, לדוגמה:
  • us – ארצות הברית
  • eu – האיחוד האירופי
• ‫PROJECT_ID: מזהה הפרויקט ב- Google Cloud .
• ‫PROCESSOR_ID: המזהה של מודל העיבוד בהתאמה אישית.
• ‫DISPLAY_NAME: השם המוצג של המעבד.
• ‫PRETRAINED_PROCESSOR_VERSION: מזהה גרסת המעבד. מידע נוסף זמין במאמר בחירת גרסת מעבד. לדוגמה:
  • pretrained-TYPE-vX.X-YYYY-MM-DD
  • stable
  • rc
• ‫TRAIN_STEPS: שלבי אימון לכוונון המודל.
• LEARN_RATE_MULTIPLIER: מכפיל קצב הלמידה לכוונון המודל.
• ‫DOCUMENT_SCHEMA: הסכימה של המעבד. אפשר לעיין בייצוג של DocumentSchema.

ה-method של ה-HTTP וכתובת ה-URL:

POST https://LOCATION-documentai.googleapis.com/v1beta3/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process

גוף בקשת JSON:

{
  "rawDocument": {
      "parent": "projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID",
         "processor_version": {
             "name": "projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/DISPLAY_NAME",
             "display_name": "DISPLAY_NAME",
             "model_type": "MODEL_TYPE_GENERATIVE",
         },
         "base_processor_version": "projects/PROJECT_ID/locations/us/processors/PROCESSOR_ID/processorVersions/PRETRAINED_PROCESSOR_VERSION",
         "foundation_model_tuning_options": {
             "train_steps": TRAIN_STEPS,
             "learning_rate_multiplier": LEARN_RATE_MULTIPLIER,
         }
         "document_schema": DOCUMENT_SCHEMA
      }
}

כדי לשלוח את הבקשה עליכם לבחור אחת מהאפשרויות הבאות:

curl

הערה: הפקודה הבאה מבוססת על ההנחה שנכנסתם ל-CLI של gcloud באמצעות חשבון המשתמש שלכם, על ידי הרצת gcloud init או gcloud auth login, או באמצעות Cloud Shell שמחבר אתכם אוטומטית ל-CLI של gcloud. כדי לבדוק איזה חשבון פעיל, אפשר להריץ את הפקודה gcloud auth list.

שומרים את גוף הבקשה בקובץ בשם request.json ומריצים את הפקודה הבאה:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-documentai.googleapis.com/v1beta3/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process"

PowerShell

הערה: הפקודה הבאה מבוססת על ההנחה שנכנסתם ל-CLI של gcloud באמצעות חשבון המשתמש שלכם, על ידי הרצת gcloud init או gcloud auth login. כדי לבדוק איזה חשבון פעיל, אפשר להריץ את הפקודה gcloud auth list.

שומרים את גוף הבקשה בקובץ בשם request.json ומריצים את הפקודה הבאה:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-documentai.googleapis.com/v1beta3/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process" | Select-Object -Expand Content

חילוץ מותאם אישית עם זיהוי חתימה

תצוגה מקדימה

השימוש במוצר הזה כפוף לתנאי השימוש במוצרים בשלב טרום-GA, שמפורטים בחלק "תנאי שירות הכלליים" בתנאים הספציפיים של השירות. השימוש במוצרים בגרסת טרום-GA הוא "כפי שהם" (As is), ויכול להיות שהתמיכה בהם תהיה מוגבלת. אתם יכולים לקרוא מידע נוסף בקטע תיאור שלבי ההשקה.

(גרסת טרום-השקה לציבור) חילוץ מותאם אישית תומך בזיהוי חתימות. התכונה הזו מאפשרת לזהות חתימות במסמכים. זיהוי חתימות זמין רק באמצעות ה-method‏ derived. אפשר לציין סכימה עם סוג הישות signature לישויות כאלה. ישות החתימה נגזרת באמצעות רמזים חזותיים מהמסמך.

דוגמאות והוראות להגדרה מפורטות במאמר חילוץ מותאם אישית עם שדה נגזר וזיהוי חתימה.

חילוץ מותאם אישית עם שדות נגזרים

תצוגה מקדימה

השימוש במוצר הזה כפוף לתנאי השימוש במוצרים בשלב טרום-GA, שמפורטים בחלק "תנאי שירות הכלליים" בתנאים הספציפיים של השירות. השימוש במוצרים בגרסת טרום-GA הוא "כפי שהם" (As is), ויכול להיות שהתמיכה בהם תהיה מוגבלת. אתם יכולים לקרוא מידע נוסף בקטע תיאור שלבי ההשקה.

הכלי לחילוץ מותאם אישית תומך בשדות נגזרים. היא מאפשרת להגדיר שדה שיאוכלס באמצעות הסקה או יצירה חכמה על סמך ההקשר של המסמך, במקום חילוץ טקסט ישיר. אתם יכולים להשתמש בזה במקרים כמו הסקת המדינה מכתובת, סיכום מסמך, ספירת פריטים בטבלה או זיהוי אם מזהה הוא אותנטי, בלי לדרוש שהערך יהיה נוכח בטקסט באופן מפורש.

דוגמאות והוראות להגדרה מפורטות במאמר חילוץ מותאם אישית עם שדה נגזר וזיהוי חתימה.

חשוב: שדות נגזרים נוצרים לכל דף בנפרד. מידע נוסף זמין במאמר מגבלות של שדות נגזרים.

המאמרים הבאים

מידע על חילוץ מותאם אישית עם שדה נגזר וזיהוי חתימה