AIドキュメント抽出
あらゆるドキュメントに最適な解析エンジンを備えたAIドキュメント抽出
Parseurは、PDF、スキャン、メール、添付ファイルから構造化データを抽出します。視覚的なレイアウトにはVision AI、プレーンテキストにはText AI、定型フォームにはテンプレートを利用。3つのエンジンすべてが同じメールボックス内で連携して動作します。
ドキュメントからデータを抽出するために必要なすべて
Vision AIによる抽出
Visionモデルはドキュメントをテキストとしてではなく、画像としてページを読み取ります。AIは人間の読者のように、レイアウトや視覚的な文脈をそのまま認識します。
- 複雑な構造を持つPDF、スキャン、帳票に最適
- 手書き、チェックボックス、スタンプ、配置の手がかりを抽出
- 自然言語の指示で設定可能、テンプレートは不要
Text AIによる抽出
ドキュメントは最初にプレーンテキストに変換され、元データにテキスト層がない場合はOCRが使用されます。その後、AIは抽出されたテキストのみを解析し、レイアウトや画像は無視します。
- メール、プレーンなPDFなどテキスト中心のドキュメントに最適
- 視覚的レイアウトに情報価値がないケースで有効
- 自然言語の指示で設定可能、テンプレートは不要
テンプレートによる抽出
必要な数だけメールボックスにテンプレートを追加できます。Parseurはドキュメントごとに最適なものを自動で選び、AIを使わずに毎回同じ出力を生成します。
- 定型フォームや自動配信メールなどに最適
- レイアウトが変化しない場合に最も信頼できる抽出方法
- ビジュアルテンプレートエディタで設定、1つのドキュメントレイアウトにつき1つ作成
テーブルと明細行の抽出
テーブル内の各行は、単一の結合されたフィールドではなく、それぞれ独立したデータレコードになります。3つすべての解析エンジンで利用可能。スプレッドシートは自動的にテーブルとして解析されます。
- ドキュメントごとに異なる行数に柔軟に対応
- 複数ページにまたがるテーブルをサポート
- AIエンジンは、複数行にわたる複雑な行を別々のフィールドに解析可能
スキャンされたドキュメントと画像向けOCR
光学文字認識（OCR）により、スキャン、スマホの写真、画像のみのPDFからテキストを読み取ります。ネイティブなテキスト層がない場合、Text AIやテンプレートエンジンにテキストデータを提供します。
- スキャン、スマホ写真、画像のみのPDFで機能
- 手書きを含む200以上の言語に対応する多言語OCR
- テンプレートエンジンは、固定または可変レイアウトに対してゾーンOCRおよび動的OCRを使用
ドキュメントの事前処理
正確な抽出は、受信したドキュメントのクリーンアップと修復から始まります。Parseurの事前処理は、1億件以上のドキュメントと10年にわたる現実の様々なエッジケースによって洗練されています。
- 傾いたスキャンを補正し、文字化けしたテキストにOCRを再実行
- 破損したPDF、壊れたメールエンコーディング、不正なHTMLを修復
- 国ごとに異なる日付や数値フォーマットを自動的に検出
AIドキュメント抽出の仕組み
直前のステップ
自動ドキュメントキャプチャ
ドキュメントは、メール、API、アップロード、または接続されたストレージから自動的にキャプチャされました。
事前処理
各ドキュメントは最初にクリーンアッププロセスを通過します。Parseurは必要に応じて、ページの向きを修正し、傾いたスキャンを真っ直ぐにし、文字化けや順序の乱れたコンテンツを修復します。
OCR
スキャン、スマホ写真、画像のみのPDFについては、ParseurがOCRを実行してテキストを抽出します。すでにネイティブなテキスト層を持っているドキュメントはこのステップをスキップします。
エンジンの選択
Parseurは各ドキュメントに最適なエンジンを自動的に選択します。一致するテンプレートが存在する場合はテンプレートベースの解析が優先され、それ以外の場合は画像が多いページをVision AIが、プレーンテキストのコンテンツをText AIが処理します。
抽出
選択された解析エンジンは、メールボックスで定義したスキーマにマッピングして、ドキュメントから構造化されたフィールドを抽出します。ここから、すべてのフィールドがフォーマットと検証のための正規化へと流れます。
次のステップ
データの正規化と検証
抽出されたフィールドは検証・整形され、後続のワークフロー向けに最適化されます。