自然語言處理服務Amazon Comprehend現支援Word和PDF文件格式

AWS更新自然語言處理服務Amazon Comprehend，開始支援Word和PDF文件，讓用戶可以從這些類型的檔案擷取資料。Amazon Comprehend能夠分析不同語言的文字，並且辨識這些文字的內容，諸如人名、地點、品牌和產品等，同時還能理解文本中的關鍵句子和情緒，或對大量文件的內容，依照主題加以分類。

無論是開設銀行帳戶、申請保險或是房屋借款等程序，皆大量使用紙本文件，而這些文件動輒超過百頁，對於企業來說，手動處理這些文件是一件繁瑣的工作，不只需要人工，而且速度緩慢容易出錯，而藉由使用Amazon Comprehend，可以大幅加速文件的創建和管理，並且降低出錯機率。

Amazon Comprehend新的解決方案，可處理PDF、Word和原始文字等檔案格式，或是筆記和列表等布局，並進行內容擷取和分析，AWS提到，這次推出的解決方案，結合自然語言處理和光學字元辨識技術，能夠減少企業文件的預處理和後處理工作量，用戶不再需要將檔案轉換成原始文本，就能夠使用自定義命名實體辨識（NER）功能。

過去Amazon Comprehend只能處理純文字檔案，這需要用戶先將文件整理成機器可讀的文本，但用戶現在能夠利用Amazon Comprehend以相同的API，直接從PDF和Word中的文字或是列表等不同文件布局，擷取特定詞語。

新的Amazon Comprehend自定義實體辨識模型，綜合分析結構上下文和自然語言上下文，從文件中的任何位置，擷取自定義詞語實體。AWS提到，用戶對於每一種實體類型，只要提供250個文件和100個註解，即可訓練模型並且開始使用該功能，而為了要掃描PDF並擷取空間位置，Amazon Comprehend會呼叫Amazon Textract服務，來執行必要的處理。

這項新功能有助於企業處理保險、抵押、金融等業務中的文件處理工作流程，通常這些文件布局複雜，用戶也不需要頁面上的每一個資料點，因此擷取特定資訊存在困難，而Amazon Comprehend這項新功能，可以使用機器學習，使用單個模型和API呼叫，快速擷取自定義的詞語，像是處理汽車或健康保險文件中的索賠金額，甚至是在抵押貸款中，擷取申請人姓名、共同簽署人或是其他財務文件資訊等。