wen aidev
Published on

Azure AI 解析（五）：Document Intelligence 模型實戰

Table of Contents

在上一篇 文件理解萃取 中，我們談到了把 PDF 洗乾淨對 RAG 系統來說有多麼關鍵。

今天我們實際打開 Azure Portal，進入 Document Intelligence Studio。你會發現裡面玲瑯滿目：從 Read、Layout 到一堆 Prebuilt 模型。如果挑錯了模型，輕則多花幾倍冤枉錢，重則 LLM 依舊滿口幻覺。

這篇我們就以 2024–2025 年最新的 API (v4.0) 為基礎，一次講透企業該怎麼決定用哪個模型！

總結決策樹：我該選哪個模型？

這張圖是你在處理任何文件前的首要指南：

Azure AI Document Intelligence 決策樹，解釋 Read, Layout, Prebuilt 的選擇時機

圖說：一切從「是不是公規模板」開始判斷，如果不是，再看「有沒有複雜表格排版」來決定用 Read 還是 Layout。

接下來我們深入拆解這三大主力。

1. Read Model：最純粹的現代化 OCR

prebuilt-read 就像是那個最勤奮刻苦的圖書管理員。它的任務非常純粹：把圖片或 PDF 上的每一個字都精準唸出來。從 2024 年底的更新開始，更是原生支援將 JPG、PNG 甚至是掃描檔直接變成能夠搜尋文字的 Searchable PDF。

適合情境

  • 純文字居多的手冊或合約：你不在乎段落層次有幾級，你只想要把這堆圖檔掃進字串。
  • 只需要搜字串：你想搭配簡單的 Keyword 搜尋。
  • 底層引擎開發：你自己寫了一套超強的正則表達式 (Regex) 或後處理邏輯，只需要 Azure 幫你把座標跟字抽出來。

🚨 注意事項

若是圖片裡有大量表格，千萬不要用 Read Model。它會把欄位全部混雜在一起，變成無法閱讀的字串海。

2. Layout Model：RAG 神級隊友的 Markdown 魔法

如果你在做企業級的 RAG，prebuilt-layout 絕對是你的預設首選。

想像一下，你的保單條款或財報裡，充滿了合併儲存格、跨頁表格、打勾選定的核取方塊 (Selection Marks)。若是丟給傳統 OCR，絕對是一場災難。而 Layout Model 就是為了「結構」而生的。

傳統 OCR 將表格轉為無意義字串，對比 Layout Model 將表格完美還原為 Markdown 格式

圖說：LLM 最愛吃的就是 Markdown 表格。Layout Model 能直接幫你把掃描表格洗成原汁原味的結構，LLM 再也不會對齊錯位。

Layout 帶給 RAG 的三大好處

  1. 直接輸出 Markdown：API outputContentFormat=markdown 直接回傳完美排版的內容，免去了繁瑣的中介轉換邏輯。
  2. 理解閱讀順序：對於報紙或論文那種雙欄排版，它懂得「由左至右、由上至下」看完一欄再看另一欄，不會把兩欄的字亂接在一起。
  3. 辨識選取標記：問卷上打勾或畫叉的框框，它會標記為 selected 或 unselected，這對處理表單申請超級重要！

3. Prebuilt Models：開箱即用的「懂王」

當你要處理的是業界公認標準的文件，這時候就別自己訓練了。微軟已經幫你把成千上萬的帳單餵給機器學習，打造出了一堆 prebuilt-* 系列模型。

從 v4.0 (2024-2025) 開始，它們能抓取的欄位越來越細節，包含：

  • 發票 (Invoice) / 收據 (Receipt)：自動判斷稅額、小費、總價、供應商名稱。
  • 身分證件 (ID Document)：護照、駕照的各項防偽與身分欄位。
  • 合約 (Contract)：抓取雙方簽名區塊，甚至能判斷是否有實際簽署（結合 Signature Detection Enhancement）。

一鍵拿到 JSON Key-Value

使用 Prebuilt 最爽的地方在於，你丟一張發票圖片，API 回傳的不是一堆文字座標，而是漂漂亮亮的 JSON 物件：

{
  "VendorName": { "valueString": "微軟食堂" },
  "Total": { "valueNumber": 150.0 },
  "Tax": { "valueNumber": 7.5 }
}

你甚至不需要 LLM 介入，直接把結果塞進關聯式資料庫 (SQL) 就大功告成了！

💡 實戰思考：如果 Prebuilt 抓錯欄位怎麼辦？

在 2024 年後的更新中，Azure 引入了強大的 Generative AI 輔助選項，還有 queryFields 功能。如果你發現某張廠商的特規發票欄位抓不到，你可以直接下達 Query Instruction "找出運費的金額"，Document Intelligence 就會動用底層的大模型理解力幫你補齊，大幅降低建立 Custom Model 的門檻。

結語

選型策略其實很簡單： 如果你要做 RAG 架構的檔案檢索，請全力擁抱 Layout Model + Markdown。 如果你是要做 RPA 自動化結帳、核銷，請先試試看 Prebuilt Models，不行的話再加上 Generative Query，最後才是自己標註 Custom Model。

前處理做的好，就是對 LLM 最大的溫柔。掌握 Document Intelligence 這些實戰模型，你的 AI 系統必定無比強大且穩定！

留言討論