AkaXtract が文書を「学習」する仕組み
AkaXtract は、お客様の文書でモデルの学習（トレーニング）やファインチューニングを行いません。学習用のデータセットを準備する必要はなく、学習の完了を待つ必要もありません。Pipeline で抽出する内容を記述し、新しいバージョンを公開した時点で変更が反映されます。
設定する項目
| 設定 | 制御する内容 |
|---|---|
| AI モデル | 文書を処理するモデルです。精度、対応言語、ページ数の上限は、モデルによって異なる場合があります |
| Classification のプロンプトとスキーマ | 各ページをどの文書タイプに割り当てるか、またページをどのように文書としてまとめるか |
| Extraction のプロンプト（文書タイプごと） | どのフィールドを探すか、値が欠けている場合の扱い、表の読み取り方 |
| Extraction JSON スキーマ（文書タイプごと） | フィールド名、データ型、結果の構造（ヘッダー フィールドと明細行など） |
| 後処理スクリプト（任意） | 抽出後の値の補正 |
| 承認ルール | どの結果を自動で完了し、どの結果をレビュー担当者に回すか |
精度を高める
- 実際の文書を代表するサンプルから Pipeline を作成します。
- 生成されたフィールド、名前、データ型が、受け取り側のシステムの要件に合っているか確認します。
- サンプル文書でテストし、データを元の文書と照合します。
- フィールドが間違っている、または欠けている場合は、その文書タイプの抽出プロンプトまたはスキーマを変更します。必要なフィールド、欠損値の扱い、表データについて、より正確に記述してください。単純な補正には後処理スクリプトを使用します。それでも結果が十分でない場合は、別の AI モデルを選択して再度テストします。
- もう一度テストしてから、公開します。
- 検証している間は、
Auto-Approve Resultsをオフにしておきます。結果を信頼できるようになったら、しきい値を設定してオンにします。承認ルールを参照してください。
レビューでの修正の効果
Review での修正は、その 1 件の文書の結果だけを修正します。モデルは学習せず、Pipeline も変更されません。修正を今後の文書にも反映するには、新しい Draft でプロンプトまたはスキーマを変更し、テストして公開してください。