GSP1142

概览

Document AI 是一种文档理解解决方案，接受非结构化数据（例如文档、电子邮件、账单、表单等），使数据更易于理解、分析和使用。该 API 通过内容分类、实体提取、高级搜索等功能提供结构化数据。借助 Document AI Workbench，您可以使用自己的训练数据创建完全自定义的模型，从而提高文档处理准确率。

您可以创建专门适合特定文档的自定义文档提取器 (CDE)，并使用您的数据进行训练和评估。此处理器会从您的文档中识别并提取实体。之后，您便可以将经过训练的处理器用于其他文档。通常，一个 CDE 应该用于同一种类型的文档，例如贵机构的注册表单。

在本实验中，您将学习如何使用 Document AI Workbench 创建和训练自定义文档提取器，用来专门处理 W-2（美国纳税表单）文档。我们已为您完成大部分的文档准备工作，您可以专注于创建 CDE 的其他操作。

目标

在本实验中，您将学习如何执行以下任务：

• 在 Document AI Workbench 中创建自定义文档提取器
• 定义并创建处理器架构
• 导入文档
• 在 Document AI Workbench 中手动为文档添加注解
• 使用生成式 AI 自动为文档添加标签
• 启动处理器的训练作业

设置和要求

点击“开始实验”按钮前的注意事项

请阅读以下说明。实验是计时的，并且您无法暂停实验。计时器在您点击开始实验后即开始计时，显示 Google Cloud 资源可供您使用多长时间。

此实操实验可让您在真实的云环境中开展实验活动，免受模拟或演示环境的局限。为此，我们会向您提供新的临时凭据，您可以在该实验的规定时间内通过此凭据登录和访问 Google Cloud。

为完成此实验，您需要：

• 能够使用标准的互联网浏览器（建议使用 Chrome 浏览器）。

注意：请使用无痕模式（推荐）或无痕浏览器窗口运行此实验。这可以避免您的个人账号与学生账号之间发生冲突，这种冲突可能导致您的个人账号产生额外费用。

• 完成实验的时间 - 请注意，实验开始后无法暂停。

注意：请仅使用学生账号完成本实验。如果您使用其他 Google Cloud 账号，则可能会向该账号收取费用。

如何开始实验并登录 Google Cloud 控制台

1. 点击开始实验按钮。如果该实验需要付费，系统会打开一个对话框供您选择支付方式。左侧是“实验详细信息”窗格，其中包含以下各项：

   • “打开 Google Cloud 控制台”按钮
   • 剩余时间
   • 进行该实验时必须使用的临时凭据
   • 帮助您逐步完成本实验所需的其他信息（如果需要）

2. 点击打开 Google Cloud 控制台（如果您使用的是 Chrome 浏览器，请右键点击并选择在无痕式窗口中打开链接）。

   该实验会启动资源并打开另一个标签页，显示“登录”页面。

   提示：将这些标签页安排在不同的窗口中，并排显示。

   注意：如果您看见选择账号对话框，请点击使用其他账号。

3. 如有必要，请复制下方的用户名，然后将其粘贴到登录对话框中。

   {{{user_0.username | "<用户名>"}}}

   您也可以在“实验详细信息”窗格中找到“用户名”。

4. 点击下一步。

5. 复制下面的密码，然后将其粘贴到欢迎对话框中。

   {{{user_0.password | "<密码>"}}}

   您也可以在“实验详细信息”窗格中找到“密码”。

6. 点击下一步。

   重要提示：您必须使用实验提供的凭据。请勿使用您的 Google Cloud 账号凭据。 注意：在本实验中使用您自己的 Google Cloud 账号可能会产生额外费用。

7. 继续在后续页面中点击以完成相应操作：

   • 接受条款及条件。
   • 由于这是临时账号，请勿添加账号恢复选项或双重验证。
   • 请勿注册免费试用。

片刻之后，系统会在此标签页中打开 Google Cloud 控制台。

注意：如需访问 Google Cloud 产品和服务，请点击导航菜单，或在搜索字段中输入服务或产品的名称。

激活 Cloud Shell

Cloud Shell 是一种装有开发者工具的虚拟机。它提供了一个永久性的 5GB 主目录，并且在 Google Cloud 上运行。Cloud Shell 提供可用于访问您的 Google Cloud 资源的命令行工具。

1. 点击 Google Cloud 控制台顶部的激活 Cloud Shell 。

2. 在弹出的窗口中执行以下操作：

   • 继续完成 Cloud Shell 信息窗口中的设置。
   • 授权 Cloud Shell 使用您的凭据进行 Google Cloud API 调用。

如果您连接成功，即表示您已通过身份验证，且项目 ID 会被设为您的 Project_ID 。输出内容中有一行说明了此会话的 Project_ID：

Your Cloud Platform project in this session is set to {{{project_0.project_id | "PROJECT_ID"}}}

gcloud 是 Google Cloud 的命令行工具。它已预先安装在 Cloud Shell 上，且支持 Tab 自动补全功能。

3. （可选）您可以通过此命令列出活跃账号名称：

gcloud auth list

4. 点击授权。

输出：

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`

5. （可选）您可以通过此命令列出项目 ID：

gcloud config list project

输出：

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} 注意：如需查看在 Google Cloud 中使用 gcloud 的完整文档，请参阅 gcloud CLI 概览指南。

任务 1. 启用 Document AI API

您必须先启用 Cloud Document AI API，然后才能开始使用 Document AI。

1. 在 Cloud Shell 中，运行以下命令以启用 Document AI API。

gcloud services enable documentai.googleapis.com

您应会看到类似下图的界面：

Operation "operations/..." finished successfully.

2. 运行以下命令，安装 Document AI 的 Python 客户端库。

pip3 install --upgrade google-cloud-documentai

您应会看到类似下图的界面：

... Installing collected packages: google-cloud-documentai Successfully installed google-cloud-documentai-2.15.0

现在，您可以使用 Document AI API 了！

启用 Document AI API

任务 2. 创建处理器

您需要先创建一个自定义文档提取器处理器，以便在本实验中使用。

您需要先创建一个表单解析器处理器实例，以便在本教程的 Document AI Platform 中使用。

1. 在导航菜单中，选择查看所有产品。在人工智能下，选择 Document AI。

2. 点击创建自定义处理器。

3. 在自定义提取器框中，点击创建处理器。

4. 将其命名为 lab-custom-extractor，并从列表中选择 US（美国）区域。

5. 点击创建以创建处理器。

点击检查我的进度以验证是否完成了以下目标：

创建处理器

任务 3. 定义处理器字段

您现在位于刚刚创建的处理器的处理器概览页面。

您可以指定希望处理器提取的字段并开始为文档添加标签。

1. 点击开始使用标签页。系统随即会显示字段菜单。

2. 点击创建新字段。

3. 输入字段的名称。选择数据类型和出现次数。点击创建。如需详细了解如何创建和修改架构，请参阅定义处理器架构。

4. 为处理器架构创建以下标签。

名称	数据类型	出现次数
control_number	数字	可选，数量不限
employees_social_security_number	数字	必需，数量不限
employer_identification_number	数字	必需，数量不限
employers_name_address_and_zip_code	地址	必需，数量不限
federal_income_tax_withheld	金额	必需，数量不限
social_security_tax_withheld	金额	必需，数量不限
social_security_wages	金额	必需，数量不限
wages_tips_other_compensation	金额	必需，数量不限

您还可以在处理器架构中创建和使用其他类型的标签，例如复选框和表格实体。例如，W-2 表单包含法定雇员、养老金计划和第三方病假工资复选框，您也可以将这些复选框添加到架构。

点击检查我的进度以验证是否完成了以下目标： 创建标签

任务 4. 上传示例文档

接下来，上传一个 W-2 示例 PDF 并为其添加标签。

1. 点击上传示例文档。

2. 在边栏中，点击从 Google Cloud Storage 中导入文档。

3. 在此示例中，在来源路径中输入此存储桶名称。这可直接链接到一个文档。

cloud-samples-data/documentai/Custom/W2/PDF/W2_XL_input_clean_2950.pdf

4. 点击导入。

系统会将您重定向至标签控制台。

任务 5. 为文档加标签

选择文档中的特定文本并为其添加标签的过程也称为“加批注”。

1. 在标签控制台中，您会发现已填充了许多标签。

注意：您的结果可能与示例图片略有不同。

2. 如需使用建议的标签，请将指针悬停在侧边栏中的每个标签上，然后点击对勾标记以确认标签正确无误。如果这些值与文档文本不匹配，您可以修改这些值。

3. 在此示例中，文档底部的值未自动识别，因此您需要手动为这些值添加标签。

4. 默认情况下使用边界框工具，或使用选择文本工具设置多行值，以选择内容并应用标签。

注意：选择文本工具并不适用于所有文本值，因此请使用边界框（如果适用）。您还可以使用边界框工具来选择非文本字段，例如复选框。

5. 在此示例中，我们使用边界框工具选择了 wages_tips_other_compensation 的值并应用了标签。

6. 查看检测到的文本值，确保是文档中正确的文本。

标签添加完成的 W-2 文档应如下所示：

7. 如果需要，您可以选择创建新字段，通过此页面向架构添加新字段。

8. 完成对文档的批注后，点击标记为已加标签。

系统会将您重定向至开始使用标签页。

任务 6. 使用基础模型构建处理器版本

为单个文档添加标签后，您可以使用预训练的基础模型创建处理器版本来提取实体。

1. 点击构建标签页。

2. 在调用基础模型下，点击创建新版本。

3. 输入处理器版本的名称，例如 w2-foundation-model。

4. 点击创建。创建过程需要几分钟的时间。

注意：创建处理器版本后，便无法删除已创建的字段。如果您不再需要这些字段，可以在字段页面上停用它们。

5. 可选：点击部署和使用标签页。在此页面上，您可以查看可用的处理器版本以及新版本的部署状态。

您将在本实验的后面部分测试和评估此版本。

点击检查我的进度以验证是否完成了以下目标：

使用基础模型构建处理器版本

任务 7. 使用生成式 AI 自动为文档添加标签

基础模型可以准确提取各种文档类型的字段，不过您也可以提供额外的训练数据，提高模型针对特定文档结构的准确率。

Document AI Workbench 使用您定义的标签名称和之前的批注，通过自动添加标签功能更加轻松快捷地为文档大规模添加标签。

1. 前往构建页面。

2. 点击导入文档。

3. 在边栏中，点击从 Google Cloud Storage 中导入文档。

4. 在来源路径中输入此存储桶名称。此存储桶中包含未加标签的 W-2 PDF 文件。

cloud-samples-data/documentai/Custom/W2/AutoLabel

5. 在数据拆分列表中，选择自动拆分。这会自动拆分文档，将 80% 分配到训练集，20% 分配到测试集。

6. 在自动加标签部分，选中使用自动添加标签功能导入复选框。

7. 选择您刚刚创建的基础模型处理器版本，以便为文档添加标签。

8. 点击导入，然后等待文档导入。您可以离开此页面，稍后再返回查看。

9. 您必须先验证自动添加标签的文档，然后才能将其用于训练或测试。选择开始添加标签以查看自动添加标签的文档。

10. 如需使用建议的标签，请将指针悬停在每个批注上，然后点击对勾标记以确认标签正确无误。如果这些值与文档文本不匹配，您可以修改这些值。

11. 完成对文档的批注后，点击标记为已加标签。

12. 针对每个自动添加标签的文档重复上述步骤。在本教程中，您可以跳过未成功自动添加标签的文档。

任务 8. 导入预先添加标签的训练文档

在本实验中，我们已为您提供了预先加标签的数据。如果您处理的是自己的项目，则需要确定如何为您的数据添加标签。如需了解详情，请参阅标签选项。一般来说，训练数据越多，准确性就越高。

1. 前往构建页面。

2. 点击导入文档。

3. 在边栏中，点击从 Google Cloud Storage 中导入文档。

4. 在来源路径中输入以下路径。此存储桶包含文档 JSON 格式的预先添加标签的文档。

cloud-samples-data/documentai/Custom/W2/JSON-2

5. 在数据拆分列表中，选择自动拆分。这会自动拆分文档，将 80% 分配到训练集，20% 分配到测试集。请不要勾选使用自动添加标签功能导入。

6. 点击导入。导入过程需要几分钟时间。

7. （可选）在构建页面中，您可以访问管理数据集控制台，查看和修改数据集中的文档和标签。

任务 9. 训练处理器

现在，您已经有了足够的训练和测试数据，可以训练处理器了。由于训练过程可能需要几个小时，因此在开始训练之前，请确保您已使用适当的数据和标签设置处理器。

1. 在训练自定义模型下，点击创建新版本。

   如果无法点击创建新版本，请点击查看完整要求，了解数据集要求。

2. 在版本名称字段中，输入处理器版本的名称，例如 w2-custom-model。

3. （可选）点击查看标签统计信息，了解文档标签的相关信息。这有助于确定覆盖率。点击关闭即可返回训练设置。

4. 在模型训练方法下，选择基于模型。

5. 点击开始训练。

6. （可选）点击部署和使用标签页。在此页面上，您可以查看可用的处理器版本以及新版本的训练状态。

点击检查我的进度以验证是否完成了以下目标：

训练模型

太棒了！您已成功开始训练第一个自定义 Document AI 处理器。由于训练作业大约需要几个小时，本实验将在此结束。如果您有兴趣了解如何部署和测试模型版本，可以查看文档中的以下部分。

恭喜！

恭喜！在本实验中，您已成功使用 Document AI 创建了自定义文档提取处理器、导入了数据集并为示例文档添加了标签。现在，您可以像使用任何特殊处理器一样，使用此处理器解析此格式的文档。您还可以使用处理器和自动加标签功能为新文档添加标签，并使用 Document AI Workbench 管理训练数据和训练作业。

后续步骤/了解详情

请查看以下资源，详细了解 Document AI 和 Python 客户端库：

• 文档的未来发展 - YouTube 播放列表
• Document AI 文档
• Document AI Python 客户端库
• Document AI 示例

Google Cloud 培训和认证

…可帮助您充分利用 Google Cloud 技术。我们的课程会讲解各项技能与最佳实践，可帮助您迅速上手使用并继续学习更深入的知识。我们提供从基础到高级的全方位培训，并有点播、直播和虚拟三种方式选择，让您可以按照自己的日程安排学习时间。各项认证可以帮助您核实并证明您在 Google Cloud 技术方面的技能与专业知识。

本手册的最后更新时间：2025 年 3 月 17 日

本实验的最后测试时间：2025 年 3 月 17 日

版权所有 2025 Google LLC 保留所有权利。Google 和 Google 徽标是 Google LLC 的商标。其他所有公司名和产品名可能是其各自相关公司的商标。