文档处理进阶：融合规则与模型双引擎，实现精准自动化

信息即力量。对大多数公司，宝贵业务信息被困在文档中。鉴于公司常管理的文档类型、尺寸、格式多样，高效处理文档获取洞察颇具挑战。

UiPath深谙此道。凭借最新文档理解框架，客户可轻松自动化各类文档的数据提取与处理，无论类型、格式、体量。助您以灵活方式应对文档处理，用最适合独特需求的流程。

更高层面了解文档理解收益，请阅读白皮书《以Document Understanding提升运营效能、规避风险》。

本文将：

开始吧。

文档全景

按结构与格式，文档可分三类。

1. 许多文档如税表，格式固定——称结构化文档。

2. 如合同，无标准结构——称非结构化文档。

3. 具有不同特质（布局或设计多变）但包含相似信息类型的文档称半结构化文档。收据、发票、采购单为典型。

基于文档分类，有两类常见数据提取方法。基于规则针对结构化文档，基于模型处理半结构化与非结构化文档。

基于规则提取依赖规则集从文档提取数据。例：创建文档模板并基于特定数据位置应用规则。或无需建模板，仅基于数据集在文档中使用频次（出现模式）或数据变量在字符序列中的典型外观（正则表达式/regex）应用规则。

前者利于可模板化表单，后者用于易创建此类规则场景。我们发现基于规则方法易建立理解、文档处理高效。但局限于结构化文档及极少简单半结构化情况。

虽基于规则提取在许多语境有益，但应用局限显著。模板提取紧绑固定文档布局，布局变更即破坏规则需重配置。

同样，regex技术随复杂度增加实施排错愈发繁琐。但有一替代方案——基于模型的方法。

基于模型提取方法论基于机器学习（ML）。因能从多样文档集学习而强大。我们用NLP、统计学习等复杂技术实施。

UiPath Validation Station赋予用户人工回环能力，让模型即时学习并适应数据变化。AI驱动技术通常用于半结构化与非结构化文档数据提取。例如，我们在文档理解框架创建ML模型处理收据发票场景。

延伸阅读：用AI自动化发票与收据处理

使用模型提取技术的挑战在于创建实施ML模型所需时间与专长。但许多场景下，模型方法凭借学习适应不同文档结构与包含物的能力更优。

无银弹解决所有文档处理需求。基于规则与基于模型的提取方法虽强但受限，难最优处理企业管理的文档范围。

某些结构化文档需远超规则方法，因部分数据无法靠规则或模板提取。同样，纯模型方法不适用所有非结构化与半结构化文档。

我们希望用户能轻松融合不同方法从单一文档提取信息。故设计文档理解框架赋予您克服单一方法局限的力量。处理复杂文档、追求最高提取准确率时，强烈建议使用多方法数据提取。

用我们灵活框架，只需在UiPath Studio工作流中拖入多数据提取技术即可混合匹配文档处理方法。

可轻松配置提取器、设置提取执行优先顺序、设定阈值判定特定提取器结果是否有效。这样，文档结构多变或复杂提取规则不再构成挑战。同时，在端到端自动化中，获得最新AI技术驱动的更快、更精准文档处理。

高效精准的文档提取处理能力至关重要。通过强调多方法数据提取，我们要让UiPath客户的文档处理分析尽可能简捷。

目前，扩展Document Understanding功能以SaaS Beta版面向早期试点用户开放。这些功能与其他高级Document Understanding工具即将全面可用。同时，建议注册UiPath企业试用获取Document Understanding方案。

自动化控制系统