Amazon Textract é um serviço que extrai automaticamente texto e dados de documentos digitalizados. Ele vai além do simples reconhecimento óptico de caracteres (OCR)

As empresas estão mudando para um mundo instantâneo e digital, mas ainda precisaremos de documentos físicos por algum tempo. Extraindo texto e dados com Amazon Textract é um serviço que extrai automaticamente texto e dados de documentos digitalizados. O Amazon Textract vai além do simples reconhecimento óptico de caracteres (OCR) para também identificar o conteúdo dos campos nos formulários e as informações armazenadas nas tabelas.

Muitas empresas hoje extraem dados de documentos e formulários por meio da entrada manual de dados que é lenta e cara ou por meio de software de reconhecimento ótico de caracteres (OCR) simples que requer personalização ou configuração manual. Regras e fluxos de trabalho para cada documento e formulário geralmente precisam ser codificados e atualizados com cada alteração no formulário ou ao lidar com vários formulários. Se o formulário diverge das regras, a saída geralmente é embaralhada e inutilizável.

Amazon Textract supera esses desafios usando o aprendizado de máquina para “ler” instantaneamente praticamente qualquer tipo de documento para extrair texto e dados com precisão, sem a necessidade de qualquer esforço manual ou código personalizado. Com Textract você pode automatizar rapidamente fluxos de trabalho de documentos, permitindo processar milhões de páginas de documentos em horas. Depois que as informações são capturadas, você pode agir sobre elas em seus aplicativos de negócios para iniciar as próximas etapas para um aplicativo.

O que é AWS Textract?

Em termos simples, o AWS Textract é um serviço baseado em aprendizado profundo que converte diferentes tipos de documentos em um formato editável. Considere que temos cópias impressas de faturas de diferentes empresas e armazenamos todas as informações vitais delas em excel "planilhas". Normalmente, contamos com operadores de entrada de dados para inseri-los manualmente, o que é agitado, demorado e sujeito a erros. Mas usando o Textract, tudo o que precisamos fazer é carregar nossas faturas nele e, por sua vez, ele retorna todo o texto, formulários, pares de valores-chave e tabelas nos documentos de uma forma mais estruturada. Abaixo está uma captura de tela de como a AWS faz extração inteligente de informações:

Não apenas texto digitado, o AWS Textract também identifica textos manuscritos nos documentos. Isso torna a extração de informações mais útil, pois, em alguns casos, extrair texto escrito à mão é mais complicado de extrair do que texto digitado. Os documentos são uma ferramenta importante para comunicação, colaboração, manutenção de registros e transações entre setores, incluindo o financeiro, médico, legal e imobiliário. A maneira como os dados estão formatados pode representar um desafio extra na extração de dados, especialmente se o conteúdo for digitado, manuscrito ou incorporado em um formulário ou uma tabela. Além disso, extrair dados de documentos é um processo manual, propenso a erros, demorado, caro e difícil de ser executado em escala. O Amazon Textract é um serviço de Machine Learning que apresenta dois recursos: suporte para reconhecimento de caligrafia em documentos em inglês, e expansão do suporte linguístico para extrair texto de documentos digitados em espanhol, português, francês, alemão e italiano.

Reconhecimento de texto manuscrito com o Amazon Textract

Muitos documentos, como formulários de ingestão médica ou pedidos de emprego, contêm textos manuscritos assim como impressos. A capacidade de extrair texto e caligrafia tem sido uma necessidade que as empresas pediram. O Amazon Textract agora pode extrair texto impresso e caligrafia de documentos escritos em inglês com um alto grau de confiança, seja a partir de um texto em formato livre ou texto incorporado em tabelas e formulários. Os documentos também podem conter uma mistura de texto digitado e texto manuscrito. A imagem a seguir mostra um exemplo de documento contendo uma mistura de texto digitado e manuscrito, e seu documento de saída convertido.

Referências Técnicas

Cada atividade do Amazon Textract chama uma API do Amazon Textract usando os parâmetros de solicitação que você insere nas propriedades de entrada da atividade. Se a chamada for bem-sucedida, a atividade gera os elementos de resposta relevantes (ou seja, propriedades de saída) que você pode usar como valores de propriedade de entrada em atividades subsequentes, itens de fila em uma fila existente e etc.

Para obter uma lista completa das APIs do Amazon Textract usadas por cada atividade e links para a documentação da API relevante, consulte a página de Referências técnicas. Você não precisa estar familiarizado com as APIs do Amazon Textract para usar as atividades. Esses links são apenas para fins informativos caso você queira saber mais sobre a ação que está acontecendo "nos bastidores".

Recursos do Amazon Textract

• Reconhecimento de caligrafia
• Faturas e Recibos
• Caixas delimitadoras
• Limiares de confiança ajustáveis
• Fluxo de trabalho de revisão humana integrado

 O Amazon Textract está diretamente integrado ao Amazon Augmented AI (Amazon A2I) para que você possa implementar facilmente a revisão humana de textos impressos e manuscritos extraídos de documentos. Muitos aplicativos de extração de texto exigem que os humanos revisem as previsões de baixa confiança para garantir que os resultados estejam corretos. Por exemplo, extrair informações de formulários de aplicativos de hipoteca digitalizados pode exigir revisão humana em alguns casos, como quando a qualidade da renderização do documento é ruim. Mas construir sistemas de revisão humana pode ser demorado e caro porque envolve a implementação de processos complexos ou “fluxos de trabalho”, escrever software personalizado para gerenciar tarefas e resultados de revisão e, em muitos casos, gerenciar grandes grupos de revisores. 

Amazon A2I fornece fluxos de trabalho de revisão humana integrados para extração de texto de documentos, o que permite que as previsões da Amazon Textract sejam revisadas facilmente. Você pode escolher um limite de confiança para seu aplicativo e todas as previsões com uma confiança abaixo do limite são enviadas automaticamente para revisores humanos para validação. Você também pode especificar quais pares de chave / valor devem ser enviados para revisão humana. 

Para saber mais sobre a implementação de fluxos de trabalho de revisão humana, consulte Amazon A2I e Integração A2I com Amazon Textract.

Definição de preço do Amazon Textract

O Amazon Textract é um serviço de machine learning (ML) que usa o reconhecimento óptico de caracteres (OCR) para extrair automaticamente texto, manuscritos e dados de documentos digitalizados, como PDFs. Com o Amazon Textract, o pagamento é feito conforme o uso. Não há taxas mínimas nem compromissos antecipados. O Amazon Textract cobra somente pelas páginas processadas conforme o texto extraído, texto com tabelas e/ou dados do formulário. Analise até 1.000 páginas por mês usando a API de detecção de texto do documento e até 100 páginas por mês usando a API de análise de documento gratuitamente durante 3 meses Consulte as definições de preços no site da AWS e Calculadora aws textract.