目的特化型の AI サービスは「入力の形」と「取り出したいもの」で選び分ける

文書や音声や画像を扱う要件では、入力が何の形かとそこから何を取り出したいかの 2 つで担当が決まります。
・Amazon Textract — 文書の画像や PDF から、テキストに加えてフォームの項目と表を抽出します。見出しと値の対応や表の行と列を保つため、登録先の項目へ直接対応付けられます。
・Amazon Comprehend — テキストから感情やエンティティを判定します。あらかじめ用意されたエンティティの検出が受け付けるのはテキストなので、画像から始まる要件では先に抽出の段が要ります。
・Amazon Rekognition — 画像や動画の分析。文字の検出もできますが、返るのは単語と行までで、帳票の項目と表の対応は返しません。
要は、画像から始まる要件は 2 段になることです。1 段目で画像を構造とテキストに変え、2 段目でその意味を判定します。取り出したいものが「表の中の値」か「文章の中の語」かで、どちらの段の話かが決まります。