Konfuzio标签工具-从图像和PDF中提取数据

作为一个数据科学家或注释经理，你可能会面临以下问题：你想从大量的PDF或其他文件中提取特定的数据，或为训练光学或语义AI而生成细粒度的数据。标签工具可以针对并提取语义实体，如 "价格"、"卖家 "或 "税收"。有了Konfuzio，就可以将这种NLP（自然语言处理）应用与图像的CV标记（计算机视觉）结合起来。无论是收据、合同、财务文件或发票等。自动化的数据提取通过人工智能将以很小的成本提高你的企业的效率和生产力。

然而，如果没有文本注释，这一惊人的成就是不可能的。对结构化文件的分析，如账单创建文件、收据和合同是一项更复杂的工作，即使对现代人工智能来说也是如此。为此，你需要一个标记工具，用户可以用它来专门标记和提取文件的个别区域。Konfuzio提供了一个多合一的标签工具，用于从文本和图像中提取数据。

以模型为中心与以数据为中心

如果你从事过数据科学项目，你可能对典型的ML模型创建的一些步骤很熟悉。这些东西过去看起来是这样的。

收集数据
清除数据
试用几个模型
调整模型参数
转入生产
监测模型

主要重点是第三和第四步。ML模型在前台。数据科学对数据部分投入的时间很少，甚至没有。在以模型为中心的方法中，存储和计算能力的进步导致了现代算法的发展。这个过程中最基本的部分被忽视了--数据本身。

对于ML算法来说，数据就像我们人类的食物。因此，我们需要为我们的算法提供尽可能好的数据质量，以实现最佳性能。以数据为中心的方法主要侧重于提供高质量的数据。这意味着我们不仅需要关注选择算法，还需要花时间捕捉和注释数据，纠正错误的标签数据，增强数据和扩展这些类型的过程。你可以利用Konfuzio的注释和标记工具掌握这些任务。

什么是注释工具？

你可能已经使用了在线翻译器，如谷歌翻译或Deepl。这类应用程序使用 NLP (自然语言处理)。这种人工智能技术帮助机器理解人类语言，因此，例如，翻译或自动拼写检查是可能的。NLP被广泛用于搜索非结构化文本中的信息。然而，分析结构化文件，如发票、收据和合同，就有点复杂了。

首先，围绕着我们想要提取的文件区域，没有太多的背景。一个文件的单个实体，如价格、销售人员或税收，通常是独立存在的，在直接环境中没有任何其他文本。然而，这对于训练NLP模型是有帮助的。其次，文件的布局经常从一张发票到另一张发票发生变化。因此，传统的NLP不能很好地处理结构化文档。

由于大多数收据和发票都是扫描或PDF格式的，我们需要一个支持OCR解析和注释的标签工具(注释)直接在原生PDF和图像上使用。注释是指从文件中提取的一个字符、单词或段落。这就是你如何训练人工智能来正确提取你的文件。 OCR 指 "光学字符识别"。这项技术允许计算机识别和提取文本。不幸的是，大多数支持OCR注释的标签工具要么价格昂贵，要么不完整，所以你必须在注释前从外部完成OCR步骤。然而，有了Konfuzio，你就得到了一个多合一的解决方案。

Konfuzio的标签工具--端到端的解决方案

Konfuzio提供了一个端到端的解决方案，允许你直接从你的智能手机上注释原生PDF文件、扫描图像或图像，而不会丢失文档布局信息。毕竟，文本顺序和空间信息在发票提取中同样重要，例如。你所需要做的就是直接上传你的PDF、JPG或PNG，然后开始注释。使用最先进的OCR技术，Konfuzio分析你的文件的文本或手写体，并提取所有标记及其边界框。Konfuzio是您自动处理文件的多合一工具。你不需要任何额外的应用程序。

如何用Konfuzio注释工具对PDF和其他文件进行注释

为数据标示团队提供正确的工具
Konfuzio数据贴标工具为文本和图像提供了正确的解决方案。当对来自不同来源或不同格式的数据集进行标记时，一个支持所有不同文件格式的数据标记解决方案可以使数据标记者的工作更容易。
除了你的数据标签工具的功能外，它们还应该有一个优化的和直观的用户接口。这是在不同的数据背景下保持概览的唯一方法。
创建一个注释
你可以通过点击一个矩形区域并将光标拖到该区域来创建一个注释。当你保存注释时，Konfuzio会识别所选字段内的文字。
如果你再次点击 "编辑"，你会看到你用来选择文本的红色方框，你可以移动和调整其大小。如果你选择了一个不包含文本的区域，红色方框代表了用于AI训练的所谓边界方框。如果你喜欢对选择进行更精细的控制，你也可以通过单独点击你想要选择的单词来创建一个注释。如果你再次点击 "编辑"，你会看到用于选择文本的红色方框，你可以移动和调整其大小。
给注释贴上标签。
注释创建完毕后，点击 "注释"。在那里你会看到所有注释的总结。如果你点击注解，你将被转到该文件和你刚刚创建的注解。你也可以点击标签的链接。在下面的例子中，标签为 "变更日期 "的每个注释都被标示为一个日期值。保存完标签后，你可以在注释页面上预览结果。
注释过程自动化
在提取人工智能经过训练和评估后，它在与测试和训练数据集相关的所有文件中创建注释。如果你在一份文件中没有对信息进行注释，但在其他文件中却做了注释，这就特别有帮助。
一旦注释被创建，它的状态就是 "需要反馈"。如果你看到一个绿框或红叉，你可以提供反馈，见1.在一个文件中，你可以使用过滤器来查看所有需要人类反馈的注释，见2.在一个文件中，你可以使用过滤器来查看所有需要人类反馈的注释。