揭秘！扒一扒 Document AI 是如何拯救 HR 们的头发的！

塞满存储桶的求职信息，五花八门的简历模板......每到求职季，每位 HR 都将面临筛选简历的“掉发”挑战。为从形形色色的简历当中准确提取候选人的关键信息，HR 们需在较长时间内保持极度的专注，不仅费时，还极易出现错看漏看的情况。

为了避免这种错误的发生，Google Cloud Document AI 利用自定义文档提取器 (CDE) 进行训练，帮助 HR 实现自动化的文档信息提取，让关键信息主动【现身】。

创建自定义文档提取器处理器

按照标准产品文档链接中的步骤完成以下步骤：

1. 创建处理器

2. 为数据集创建 Cloud Storage 存储桶

3. 将文档导入数据集

‍

导入数据集信息

为了创建此简历示例的数据集，从多个网站下载了250多种不同格式的现代简历文档样本，用于在训练中创建品种，并将文档上传到云存储桶中，然后导入到 Document AI 数据集中。

该数据集中使用的格式：PDF、JPEG、PNG 和 WEBP。

训练样本数据集

在这步中您将看到如何训练模型来提取下面突出显示的标签。

‍

完成导入后，您可以创建将在文档中搜索的标签。您可以在开始为文档添加标签之前随时执行此步骤。单击 [TRAIN] 选项卡左侧窗格中的 [EDIT SCHEMA] 按钮。

使用所需的数据类型和出现次数创建所有所需的标签，然后单击 [SAVE]。

在此用例中，您将了解如何手动标记文档。现代简历被视为该数据集的文档。

要开始标记，请单击 [Unlabeled/Auto-labeled] 下的导入文档。

对于 [Unlabeled] 池下的文档（将在数据集中首次导入文档后填充），您必须在每个文档上的所需数据上手动创建边界框，并将标签映射到它们。

对于 [Auto-Labeled] 池下的文档，您将在文档上绘制预测标签的边界框，该边界框是在您通过 [Auto-labeling] 选项导入数据时创建的。您必须确认/更正自动标记的数据并保存。此过程可以节省时间并加快标记速度。

在下面的示例中，我们在技能数据周围创建了一个边界框，并将名为技能的标签映射到它，然后在文档上发布标签所有数据，单击“标记为标签”按钮进行保存，发布此文档将从 Unlabeled/Auto-labeled 池到 Labeled 池。

完成标记过程后，您必须在训练集和测试集之间分发文档。考虑将至少50个文档（每个文档中包含所有标签）分配给训练集和测试集。

训练处理器

数据分发完成并满足最低标准后，单击 [TRAIN NEW VERSION] 按钮在 [TRAIN] 选项卡下开始训练。

在开始训练之前，您可以通过单击上一个屏幕截图中的 [VIEW LABEL STATS] 按钮来查看训练集和测试集之间的标签分布。您可以在下面看到您在培训指南中获得了绿色勾号，这是良好培训所必需的。

满足训练要求后，即可点击 [START TRAINING] 按钮。训练模型需要所需的时间，因此开始训练后请耐心等待。训练时间取决于数据集中文档的复杂性和数量。

部署处理器

需要部署该版本来测试处理器。您可以在 [MANAGE VERSIONS] 选项卡下选择要部署的版本，如下所示：

部署将需要几分钟时间。之后，您可以测试示例文档。

评估处理器

部署完成后，您可以在 [Evaluate & Test] 选项卡下选择版本来评估模型.

可以看到，对于一个好的模型来说，F1 分数、精确度和召回率应该较高。

测试效果

在 [EVALUATE & TEST] 选项卡中，您可以上传数据集的示例文档并检查训练标签的预测。在我们的用例中，上传了两份简历样本进行评估。

通过 API 调用训练好的模型

详细代码可以参考链接https://cloud.google.com/document-ai/docs/send-request，该代码提供 REST、Java、C#、Python、Node js 等多种语言版本。

您可以在此文档 API 之上创建自己的 API/云函数来使用经过训练的模型。然后，您可以将输出存储在任何数据库（例如 BigQuery）中，并使该数据可用于分析。

Document AI 的自定义文档提取处理器是一款功能强大的工具，可以帮助企业自动执行手动数据提取任务、提高数据准确性、增强客户体验并提高合规性。目前，Document AI 目前支持PDF、WEBP、BMP等多种格式的训练，同时也支持多种语言的信息提取。

如您对该功能感兴趣，可扫描文章下方助手二维码联系我们。

‍

返回全部