powered by TechFeed
表示モード
Amazon

AWSの新文書AI「Amazon Textract Insights」、抽出値にページ番号と座標を紐づけ — 3,000ページの混在PDFを1リクエストで処理可能に

11月21日、AWSが「Announcing Amazon Textract Insights: Verifiable generative AI for documents」と題した記事を公開した。自然言語でフィールドを定義して複合文書から構造化データを抽出できる新機能「Amazon Textract Insights」の一般提供開始を発表するもので、既存のAmazon Textractが持つOCR・フォーム解析能力に生成AIを組み合わせ、抽出根拠をページ単位で追跡できる点が大きな特徴だ。Amazon Textractとの関係、そして競合との違いAmazon Textractは2019年にGAとなったAWSのOCR・文書解析サービスで、DetectDocumentTextやAnalyzeDocumentといったAPIを通じてテキスト・表・フォームフィールドを抽出する機能を提供してきた。今回発表されたAmazon Textract Insightsは、この既存エンジンの上位レイヤーに位置づけられる新機能であり、自然言語によるフィールド定義と生成AIによる推論を組み合わせることで、事前の...

11月21日、AWSが「Announcing Amazon Textract Insights: Verifiable generative AI for documents」と題した記事を公開した。自然言語でフィールドを定義して複合文書から構造化データを抽出できる新機能「Amazon Textract Insights」の一般提供開始を発表するもので、既存のAmazon Textractが持つOCR・フォーム解析能力に生成AIを組み合わせ、抽出根拠をページ単位で追跡できる点が大きな特徴だ。

Amazon Textractとの関係、そして競合との違い

Amazon Textractは2019年にGAとなったAWSのOCR・文書解析サービスで、DetectDocumentTextやAnalyzeDocumentといったAPIを通じてテキスト・表・フォームフィールドを抽出する機能を提供してきた。今回発表されたAmazon Textract Insightsは、この既存エンジンの上位レイヤーに位置づけられる新機能であり、自然言語によるフィールド定義と生成AIによる推論を組み合わせることで、事前のモデルトレーニングなしに複雑な混在文書へ対応できるようにしたものだ。

競合サービスとしてはAzure AI Document Intelligence(旧Form Recognizer)やGoogle Cloud Document AIが存在するが、これらも事前学習済みモデルやカスタムモデルによる抽出を主軸に置いている。Amazon Textract Insightsが差別化を図るのは、抽出値ごとに信頼度スコアとページ・座標情報(グラウンディング)を必ず返す設計と、最大3,000ページの混在パケットを単一APIリクエストで処理できるスケール感にある。

「書いてあること」と「確認できること」の両立

生成AIを文書処理に使う際の最大の問題は、どのページのどの値を根拠にしたのかが追えないことだ。汎用LLMは流暢な答えを返すが、ページ番号もバウンディングボックスも出てこない。信頼度スコアもない。結果として「自動化できるかどうかを判断できない」という状況が生まれ、人手レビューの範囲を狭められないでいる組織は多い。

Amazon Textract Insightsはこの問題に正面から向き合った設計になっている。抽出した各値に信頼度スコアとページ・座標情報(グラウンディング)が付与されるため、審査担当者や監査人が原本と照合できる。自動化を広げつつ、判断が必要な箇所だけ人が介在する運用が成立する。

仕組み:「ブループリント」で何を取るかを自然言語で定義する

Amazon Textract Insightsの中心的な概念がブループリントだ。JSON Schemaで記述し、各フィールドに自然言語の説明を添えることで、モデルのトレーニングなしに対象の値を特定・抽出させられる。

フィールドには2種類ある。

  • explicitフィールド:ページから逐語的に読み取る値
  • inferredフィールド:文書の内容から推論して導く値

AWSはW-2、Form 1040、Form 1098、パスポート、出生証明書といった一般的な文書向けのパブリックブループリントを提供しており、独自業務に合わせたカスタムブループリントも作成できる。

最大の特徴:混在パケットをまるごと1リクエストで処理

金融・保険・医療・公共セクターの文書業務では、複数種類の文書が1つのPDFにまとめられて届くケースが多い。住宅ローン申請なら、W-2・給与明細・銀行明細・手書きメモが26ページの1ファイルに混在している、という状況は珍しくない。

従来の対処法は2択だった。

  1. OCR・分割・分類・LLMプロンプト・レビューを組み合わせたカスタムパイプラインを自前で構築・運用する
  2. 汎用LLMに投げる(ただしソース追跡と信頼度スコアは諦める)

Amazon Textract Insightsはこのワークフローを単一の非同期APIリクエストに集約する。最大3,000ページのファイルをS3バケットから1回のStartDocumentInsights呼び出しで投入すると、文書の自動分割・ブループリントへのマッチング・フィールド抽出・結果書き出しまでを一括で処理する。

医療費請求書処理を手がけるSymbeo(CorVel社)のVP、Vijay Agrawal氏は元記事の中で次のように述べている(以下、元記事より引用・翻訳)。

「当社が受け取る医療費請求書はさまざまなソースから届き、レイアウトもフォーマットもばらばらです。あるソース向けに作った抽出ルールが別のソースにうまく転用できないことも多い。Amazon Textract Insightsでは必要なフィールドを平易な言葉で記述すれば対応するデータを抽出してくれます。信頼度スコアのおかげで、スコアが低いフィールドだけに人手レビューを集中できるのも大きなメリットです。」

読み取りエンジンのアップデートも同時提供

Amazon Textractの基盤となる読み取りエンジン「Amazon Textract Core」も今回更新された。主な変更点は以下のとおり。

  • 密な表・手書きの処理精度向上
  • 対応言語が40言語に拡大(DetectDocumentText・AnalyzeDocument API対象)
  • 提供リージョンが18に拡大(アジアパシフィック(東京)とヨーロッパ(チューリッヒ)が新規追加)

既存のAmazon Textract APIはそのまま変更なしに利用でき、これらの改善は自動的に適用される。なお、Amazon Textract InsightsのGA対象リージョンは現時点では限定的であり、上記の新規追加リージョン(東京・チューリッヒ)を含む一部リージョンではまだ利用できない。GA対応リージョンの最新情報はAWSリージョン別サービス一覧で確認できる。

料金・対応形式

料金はページ単位(トークン課金ではない)で、最低利用コミットメントなし。詳細はAmazon Textract料金ページを参照。

入力形式はPDF・PNG・JPEG・TIFFに対応。処理言語は英語・フランス語・ドイツ語・イタリア語・ポルトガル語・スペイン語の6言語。実装にあたってはAmazon Textract公式ドキュメントおよびTextract Insightsのデベロッパーガイドも参照するとよいだろう。

詳細はAnnouncing Amazon Textract Insights: Verifiable generative AI for documentsを参照していただきたい。