Container de Filtragem de Hipóteses

Nota: Esta tecnologia é fornecida como prévia e será aprimorada em versões futuras.

1. Clique no bloco com a atividade Deep Learning e selecione Filter Hypotheses. Isso criará um novo contêiner de Filtragem de Hipóteses e colocará a atividade Deep Learning selecionada dentro dele.
2. (Opcional) Arraste mais atividades de Deep Learning para o contêiner de Filtragem de Hipóteses. Isso permitirá combinar e comparar os resultados de duas ou mais atividades de Deep Learning. Duas atividades podem ser necessárias, por exemplo, ao trabalhar com campos de texto e tabelas ao mesmo tempo.
3. Adicione uma atividade Extraction Rules ao contêiner. Você pode criar uma nova atividade clicando no placeholder ou arrastar uma atividade existente para o contêiner.
4. Configure a atividade Extraction Rules. Para cada um dos valores encontrados pelas atividades de Deep Learning, adicione um elemento de pesquisa de Deep Learning e defina suas propriedades. Você pode adicionar todos os campos de saída de uma atividade de Deep Learning ao mesmo tempo. Um elemento de pesquisa Deep Learning oferece suporte a todas as propriedades que limitam a área de pesquisa e às condições para localizar o elemento.
5. Conecte a entrada e a saída do contêiner de Filtragem de Hipóteses a outros blocos no fluxo de processamento de documentos. Os campos de saída do contêiner de Filtragem de Hipóteses serão os mesmos da atividade Extraction Rules.

Observação: Se você decidir parar de controlar a saída da atividade de Deep Learning, clique em qualquer lugar no contêiner e selecione Don’t Filter Hypotheses. O contêiner será desmontado, mas as atividades em si não serão excluídas, e você ainda poderá usá-las no fluxo de trabalho de processamento de documentos modificado.

• A atividade Deep Learning extrai campos de texto.
• A atividade Deep Learning 2 extrai uma tabela.
• O contêiner Hypothesis Filtering seleciona e combina os resultados delas.

1. Para corrigir o valor de Document_Number, é criado um novo elemento de pesquisa. Esse elemento de pesquisa, chamado DocNumber_Corrected, deve estar localizado dentro da região do elemento de pesquisa Document_Number e conter um número limitado de caracteres.

2. A área de pesquisa do novo elemento é restrita para corresponder à região de Document_Number, adicionando a seguinte linha ao código do elemento:

RestrictSearchArea: 95.Region;

3. O elemento de pesquisa corrigido é mapeado para o campo que extrai o número do documento:

Nota: Recomendamos que você salve o conjunto de documentos rotulados em uma pasta primeiro. Ao desativar a configuração Allow Multiple Items para um campo, todas as ocorrências extras desse campo serão excluídas da rotulagem. O modelo treinado na atividade de Deep Learning continuará funcionando, mas, caso você queira modificá-lo e retreiná-lo, será necessário carregar o conjunto de documentos original.

1. A configuração Allow Multiple Items é desativada para o campo Document Number (a configuração pode ser acessada clicando em Manage Fields).

2. O elemento de pesquisa Document_Number com várias ocorrências não pode ser mapeado para o campo Document Number. Portanto, é criado um novo elemento de pesquisa Deep Learning a partir da saída do número do documento da atividade de Deep Learning e ele é mapeado para o campo Document Number.

3. As várias ocorrências do número do documento encontradas pela atividade de Deep Learning são usadas para construir uma árvore de hipóteses, da qual apenas uma será selecionada como o valor do elemento de pesquisa Document_Number.

4. Para encontrar uma ocorrência específica, são adicionadas certas condições ao elemento de pesquisa Document_Number (neste caso, queremos encontrar a ocorrência mais superior do número do documento).