AWS выпустила Textract Insights для извлечения данных из документов
20 ноября AWS объявила общедоступный Textract Insights. Он принимает описание нужных полей и может разделять смешанный пакет, возвращая значения с оценкой уверенности и ссылкой на страницу.

Что стало доступно
20 ноября AWS объявила общую доступность Amazon Textract Insights, новой генеративной функции Textract с отдельным API. Клиент описывает нужные поля и передает один документ или смешанный пакет. В ответе структурированные значения сопровождаются оценкой уверенности и указанием страницы и координат источника.
Сервис предназначен для документов разной структуры, объединенных в один файл: например, форм, выписок и заметок. Традиционный процесс может требовать OCR, классификации, разделения файлов и отдельных правил.
Как устроены blueprints
Для полей создается blueprint на основе JSON Schema: описание говорит, что искать, а тип определяет буквальное чтение или вывод из контекста. Можно применить публичную схему распространенной формы или описать собственные поля организации.
Для смешанного пакета несколько blueprint входят в один проект. При включенном разбиении сервис пытается определить границы документов, сопоставить типы и извлечь значения. AWS указывает обработку файла до 3 000 страниц в форматах PDF, PNG, JPEG и TIFF.
Для чего нужны confidence и grounding
Источник каждого значения помогает проверяющему сверить его с исходным документом. Значения выше внутреннего порога могут пойти по обычному маршруту, сомнительные - на ручную проверку. Порог следует подобрать на размеченном корпусе, а не принимать рекомендованным для всех полей.
Сервис различает значения, прочитанные со страницы, и выведенные из содержания. Второй тип требует более строгой проверки: предположение модели может выглядеть как прямое извлечение. Для финансовых, медицинских и страховых решений настройте человеческий контроль по риску ошибки.
Пример смешанного дела
AWS описывает 26-страничный ипотечный пакет с налоговой формой, расчетными листами, выписками и рукописными заметками. Пользователь подключает схемы каждого типа, добавляет собственную для заметок, включает разбиение и отправляет файл. В результате каждое поле связано со страницей и областью.
Критичны границы страниц, дубликаты, качество скана и несколько документов одного типа. Координата не гарантирует, что документ правильно классифицирован или сумма распознана. Следует проверять и содержание, и соответствие источника.
Доступность и данные
На дату публикации AWS указывает английский, французский, немецкий, итальянский, португальский и испанский. Покрытие Textract Insights может отличаться от регионов базового Textract. Анонс также описывает шифрование и географию обработки, которые надо сверить с требованиями аккаунта перед отправкой конфиденциальных файлов.
Сервис тарифицируется за страницу. В полной стоимости учитывайте повторную обработку и ручную проверку. Цена за страницу не сравнима напрямую с токеновой оплатой без учета всей собственной конвейерной инфраструктуры.
Проверка до production
Подготовьте представительную выборку от разных поставщиков, с разными формами и качеством сканов. Измеряйте точность отдельно по буквальным и выведенным полям, типам документов и confidence. Проверьте страницу источника и координаты, а также повторную обработку после изменения blueprint.
Начните с ручной проверки каждого значения. Повышайте автоматизацию только на полях с устойчивым качеством и приемлемыми последствиями ошибки. Анонс описывает возможности продукта, но не подтверждает точность на документах конкретной компании.
Подберите пороги по полям
Ошибка суммы и ошибка необязательного комментария имеют разную цену. На размеченной выборке оцените precision и покрытие по каждому полю, сравните разные пороги confidence и определите, когда требуется ручная проверка. Не считайте confidence вероятностью истины без калибровки.
Сохраните версию документа, blueprint и результата, чтобы повторная обработка не смешала старый вывод с новым. Проверяйте, что координаты ведут к исходному файлу и к корректной области.
Путь документа в приложении
Типовой поток принимает исходный файл из S3, выбирает проект и blueprint, отправляет асинхронное задание, затем связывает результат с версией документа. Обработайте статусы, повтор после ошибки и хранение прежнего результата при изменении схемы. Не перезаписывайте уже подтвержденные значения молча.
На размеченных сканах проверьте повороты, дубликаты страниц, разные формы в одном пакете и рукописные поля. Сверяйте значение, тип, оценку уверенности и координаты. Если поле выведено из контекста, интерфейс ревьюера должен отличать его от буквального чтения.
Калибровка и защита данных
Для суммы и комментария не нужен один порог. Посчитайте точность и долю автоматизации отдельно по каждому полю. Узнайте, сколько неверных значений проходит порог и сколько правильных отправляется человеку. Оценка уверенности не равна вероятности истинности без калибровки на своих примерах.
До загрузки проверьте S3, KMS, роли доступа, регион и сроки хранения. Опишите действия при недоступном ключе или выходном bucket. Общий анонс не заменяет правила хранения документов вашей организации.
Выбор между автоматикой и ручной проверкой
Для каждого поля определите риск неверного значения и требуемое действие. Поле, которое влияет на выплату, может требовать обязательного подтверждения даже при высокой оценке. Для информационного индекса риск ниже. Настройте очередь так, чтобы оператор видел исходную страницу, область, значение и причину низкого confidence.
Считайте precision среди автоматически принятых полей и полноту обработанного набора. При строгом пороге ошибок будет меньше, но больше страниц уйдет человеку. Команда должна выбрать баланс после пилота, а не переносить один порог на разные формы. Повторите выборку после изменения шаблона или языка.
Источник и дата события
Событие объявлено 20 ноября 2026 года. анонс AWS о Textract Insights: официальная публикация.