В статье подробно описывается создание надежных конвейеров обработки документов, выходящих за рамки простых вызовов API в Azure AI Document Intelligence. Подчеркивается, что, хотя первоначальное извлечение данных является простым, решение реальных проблем составляет основную задачу. Предлагаемый конвейер включает в себя прием данных, классификацию, извлечение, маршрутизацию на основе уверенности и отправку в систему учета. Выбор правильной модели, будь то предварительно созданная, пользовательская модель извлечения или пользовательский классификатор, имеет решающее значение для точности. Автор подчеркивает, что устаревшие действия соединителей следует избегать в пользу "Анализа документа для предварительно созданных или пользовательских моделей" (API v4.x). Важно понимать разницу между точностью и уверенностью; оценки уверенности, которые возвращаются для каждого поля, следует использовать для принятия решений о маршрутизации.Система контролирует документы на основе пороговых значений уверенности для каждого поля, с более строгими требованиями для финансово чувствительных полей, таких как InvoiceTotal. Рекомендуется проводить арифметические проверки, чтобы выявить ошибки, пропущенные оценками уверенности. Реализация этой логики может быть выполнена в Power Automate или Azure Function. В статье также рассматриваются распространенные точки сбоя, включая дублирующуюся обработку, PDF-файлы с несколькими счетами, низкое качество строк позиций и проблемы с валютой/локалью. Ключевым показателем успеха является коэффициент прямой обработки, а не только точность модели. Отслеживание таких показателей, как коэффициент проверки по причине и коэффициент переопределения рецензентом, дает представление для улучшения. Наконец, интеллектуальная обработка документов использует ИИ для преобразования неструктурированных документов в структурированные, проверенные данные с оценками уверенности, что позволяет автоматизировать маршрутизацию.