结合基于规则和基于模型的方法来改进文档处理

信息就是力量。对于大多数公司来说，大量有价值的商业信息都被困在文档中。鉴于公司经常管理的各种文档类型、大小和格式，有效地处理文档以获取见解可能具有挑战性。

在 UiPath，我们了解这一挑战。由于我们最新的文档理解框架，我们的客户可以轻松地自动化数据提取和处理各种文档，无论其类型、格式或数量如何。这有助于您灵活地处理文档，使用最适合您独特需求的任何流程。

如需更深入地了解文档理解的好处，请查看我们的白皮书通过文档理解提高运营效率并降低风险 .

在本文中，我们将：

让我们开始吧。

文档横向

根据文档的结构和格式，文档可以分为三种类型。

1. 许多文件（例如税表）的格式保持不变——这些文件被称为结构化文件 .

2. 其他，例如合同，没有标准结构——这些被称为非结构化文档 .

3. 最后，具有不同质量的文档，例如不同的布局或设计，但包含相似类型的信息，称为半结构化文档 .收据、发票和采购订单是此类文件的常见示例。

基于文档的分类，有两种常见的数据提取方法。基于规则的数据抽取针对结构化文档，而基于模型的数据抽取用于处理半结构化和非结构化文档。

基于规则的数据提取依赖于一组规则来从文档中提取数据。例如，您可以创建文档模板并根据特定数据位置应用规则。或者，无需创建模板，您可以简单地根据文档中某些数据集的使用频率（出现模式）或这些数据变量通常在字符序列中的外观（正则表达式或正则表达式）应用规则。

前者在处理可以模板化的表单时很有帮助，如果可以且易于创建此类规则，则使用后者。我们发现基于规则的方法易于设置和理解，并且在文档处理中非常有效。但是，它们仅限于结构化文档，仅在少数简单情况下适用于半结构化文档。

因此，虽然基于规则的数据提取技术在许多情况下都是有益的，但它们具有明显的应用局限性。由于基于模板的提取与固定的文档布局密切相关，因此布局中的任何更改都可能破坏规则并需要重新配置规则。

同样，随着情况变得更加复杂，基于正则表达式的技术可能难以实施、排除故障并且很麻烦。但是，基于规则的提取解决方案还有另一种方法——基于模型的方法。

基于模型的数据提取方法基于机器学习 (ML)。这些方法非常强大，因为它们能够从一组不同的文档中学习。我们通过采用自然语言处理 (NLP) 和统计学习等复杂技术来使用这些方法。

UiPath 验证站为用户提供了人在环功能，因此模型可以动态学习并适应数据的变化。人工智能 (AI) 驱动的技术通常用于从半结构化和非结构化文档中提取数据。例如，我们创建了用于文档理解框架的 ML 模型，以解决收据和发票处理等场景。

阅读更多 :使用 AI 自动化发票和收据处理

使用基于模型的提取技术的挑战在于他们可以花费时间和专业知识来创建和实施 ML 模型。不过，在许多情况下，基于模型的技术在学习和适应不同文档结构和包含内容方面的能力更胜一筹。

没有解决所有文档处理需求的灵丹妙药。基于规则和基于模型的数据提取方法都是有效的工具，但在优化处理公司管理的文件范围方面的能力有限。

一些结构化文档可能需要的不仅仅是基于规则的方法，因为在规则或模板的帮助下无法提取某些数据。同样，仅基于模型的方法也不适用于所有非结构化和半结构化文档。

我们希望用户能够轻松组合不同的方法从单个文档中提取信息。因此，我们设计了我们的文档理解框架，让您能够克服任何个人方法所施加的限制。当您处理复杂的文档并希望在数据提取过程中达到最高水平的准确性时，我们强烈建议您使用多方法数据提取。

使用我们灵活的框架，您只需将多种数据提取技术直接放入 UiPath Studio 的工作流程中，即可混合和匹配文档处理方法。

您可以轻松配置提取器以进行数据处理，设置提取执行的优先顺序，并将值设置为阈值，以使某些提取器结果被接受为有效。这样一来，可变的文档结构和复杂的数据提取规则都将不再构成挑战。同时，在端到端自动化中，您可以使用最新的 AI 技术更快、更准确地处理文档。

拥有高效、准确的文档提取和处理能力至关重要。通过强调多方法数据提取，我们希望为 UiPath 客户提供尽可能轻松的文档处理和分析。

目前，扩展的文档理解能力和功能在测试版中作为软件即服务 (SaaS) 提供给参与早期试点的用户。您可以期待这些功能和其他高级文档理解工具即将推出。同时，我们鼓励您注册 UiPath 企业试用版，以访问 UiPath 文档理解解决方案。

自动化控制系统