Die vorliegende Übersetzung wurde maschinell erstellt. Im Falle eines Konflikts oder eines Widerspruchs zwischen dieser übersetzten Fassung und der englischen Fassung (einschließlich infolge von Verzögerungen bei der Übersetzung) ist die englische Fassung maßgeblich.
# Benutzerdefinierte Ausgabe und Vorlagen
Wenn Sie Amazon Bedrock Data Automation (BDA) verwenden, können Sie Ihre Extraktionen mithilfe der benutzerdefinierten Ausgabekonfiguration weiter optimieren. Benutzerdefinierte Ausgaben werden mit Artefakten konfiguriert, die als Vorlagen bezeichnet werden. Vorlagen sind eine Liste mit Anweisungen zum Extrahieren von Informationen aus Ihrer Datei, sodass die Ausgabe transformiert und angepasst werden kann. Weitere Informationen und eine ausführliche Anleitung zu Vorlagen finden Sie unter [Vorlagen](bda-blueprint-info.md).
Die benutzerdefinierte Ausgabekonfiguration funktioniert auch in Kombination mit Projekten. Wenn Sie eine Datei an BDA übergeben und auf ein Projekt mit konfigurierten Vorlagen verweisen, verarbeitet BDA die Datei mit der entsprechenden Vorlage. Dies funktioniert für bis zu 40 Dokument-Bluperints, einen Bild-Blueprint, einen Audio-Blueprint und einen Video-Blueprint. and/or Bei der Arbeit mit mehreren Vorlagen versucht BDA, Dokumente an die Vorlage zu senden, die dem erwarteten Layout am besten entspricht. Weitere Informationen zu Projekten und benutzerdefinierten Ausgaben finden Sie unter [Projekte in Bedrock Data Automation](bda-projects.md).
**Anmerkung**
Alle Dateien, die mit der benutzerdefinierten Ausgabe verarbeitet werden, müssen den Dateieinschränkungen für BDA entsprechen. Weitere Informationen zu Dateieinschränkungen finden Sie in den Voraussetzungen für BDA.
# Vorlagen
Vorlagen sind Artefakte, mit denen Sie Ihre Geschäftslogik für die Dateiverarbeitung konfigurieren können. Jede Vorlage besteht aus einer Liste von Feldnamen, die Sie extrahieren können, dem Datenformat, in dem die Antwort für das Feld extrahiert werden soll (z. B. Zeichenfolge, Zahl oder Boolean), sowie einem Kontext in natürlicher Sprache für jedes Feld, durch den Sie Regeln zur Datennormalisierung und Validierung angeben können. Sie können für jede Dateiklasse, die Sie verarbeiten möchten, eine Vorlage erstellen, beispielsweise für ein W2-Formular, eine Gehaltsabrechnung oder einen Ausweis. Vorlagen können mit der Konsole oder der API erstellt werden. Jeder Blueprint, den Sie erstellen, ist eine AWS Ressource mit einer eigenen Blueprint-ID und einem eigenen ARN.
Wenn Sie eine Vorlage für die Extraktion verwenden, können Sie eine Katalog-Vorlage oder eine benutzerdefinierte Vorlage nutzen. Wenn Sie bereits wissen, aus welcher Art von Datei Sie extrahieren möchten, bieten Katalog-Vorlagen einen vordefinierten Ausgangspunkt. Sie können benutzerdefinierte Vorlagen für Dateien erstellen, die nicht im Katalog enthalten sind. Beim Erstellen einer Vorlage können Sie verschiedene Methoden verwenden. Sie können eine Vorlage über den Vorlagen-Prompt erstellen, Sie können ihn manuell erstellen, indem Sie individuelle Felder hinzufügen, oder Sie können den JSON-Code einer Vorlage mit dem JSON Editor erstellen. Diese können in Ihrem Konto gespeichert und geteilt werden.
**Anmerkung**
Audio-Vorlagen können nicht mit Vorlagen-Prompts erstellt werden.
Die maximale Größe einer Vorlage beträgt 100 000 Zeichen im JSON-Format. Für Blueprints, die mit der [InvokeDataAutomationAsync](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_data-automation-runtime_InvokeDataAutomationAsync.html)API verwendet werden sollen, beträgt die maximale Anzahl von Feldern pro Blueprint 100. Für Blueprints, die mit der [InvokeDataAutomation](https://docs.aws.amazon.com/bedrock/latest/APIReference/API_data-automation-runtime_InvokeDataAutomation.html)API verwendet werden sollen, beträgt die maximale Anzahl von Feldern pro Blueprint 15.
**Anmerkung**
Wenn Sie Vorlagen verwenden, nutzen Sie vermutlich auch Prompts, entweder in Feldern oder für die Vorlagen-Erstellung. Erlauben Sie nur vertrauenswürdigen Quellen, die Eingabeaufforderung zu kontrollieren. Amazon Bedrock ist nicht dafür verantwortlich, die Absicht des Blueprints zu überprüfen.
## Detaillierte Vorlagen-Anleitung
Nehmen wir ein Ausweisdokument, beispielsweise einen Reisepass, als Bespiel und gehen wir die Vorlage für dieses Dokument Schritt für Schritt durch.
![\[Beispiel für einen Reisepass mit Standardfeldern, bei dem das Layout und die extrahierten Datenfelder gezeigt werden\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/passport2.png)
Hier ist eine Beispiel-Vorlage für dieses Ausweisdokument, den wir mit der Konsole erstellt haben.
![\[Tabellenlayout der Definitionen der Ausweisfelder mit verschiedenen Kategorien, die eine Beispiel-Vorlage zeigen\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bdapassport.png)
Im Kern ist eine Vorlage eine Datenstruktur, die Felder enthält, die wiederum die von der benutzerdefinierten BDA-Ausgabe extrahierten Informationen enthalten. Es gibt zwei Arten von Feldern – Explizite und implizite –, die sich in der Extraktionstabelle befinden. Explizite Extraktionen werden für klar formulierte Informationen verwendet, die im Dokument ersichtlich sind. Implizite Extraktionen werden für Informationen verwendet, die aufgrund ihrer Darstellung im Dokument transformiert werden müssen. Sie können beispielsweise die Bindestriche aus einer Sozialversicherungsnummer entfernen und so 111-22-3333 in 111223333 konvertieren. Felder enthalten bestimmte grundlegende Komponenten:
+ Feldname: Dies ist ein Name, den Sie für jedes Feld angeben können, das Sie aus dem Dokument extrahieren möchten. Sie können den Namen verwenden, den Sie für das Feld in ihrem nachgelagerten System nutzen, beispielsweise `Place_Birth` oder `Place_of_birth`.
+ Beschreibung: Dies ist eine Eingabe, die für jedes Feld in der Vorlage Kontext in natürlicher Sprache bereitstellt, um die einzuhaltenden Regeln zur Datennormalisierung oder Validierung zu beschreiben. Zum Beispiel `Date of birth in YYYY-MM-DD format` oder `Is the year of birth before 1992?`. Sie können den Prompt auch zum Iterieren der Vorlage und zum Verbessern der Genauigkeit der BDA-Antwort nutzen. Die Bereitstellung eines detaillierten Prompt, der das von Ihnen benötigte Feld beschreibt, unterstützt die zugrunde liegenden Modelle dabei, ihre Genauigkeit zu verbessern. Prompts können bis zu 300 Zeichen lang sein.
+ Ergebnisse: Die von BDA extrahierten Informationen, basierend auf dem Prompt und dem Feldnamen
+ Typ: Das Datenformat, das die Antwort für das Feld verwenden soll. Wir unterstützen Zeichenfolgen, Zahlen, boolesche Werte, Zeichenfolgen-Arrays und Zahlen-Arrays.
+ Konfidenzwert: Gibt in Prozent an, wie sicher sich die BDA-Funktion hinsichtlich der Genauigkeit Ihrer Extraktion ist. Audio- und Bild-Blueprints geben keinen Konfidenzwert zurück.
+ Extraktionstypen: Die Art der Extraktion, entweder explizit oder abgeleitet
+ Seitennummer: Die Seite des Dokuments, auf der das Ergebnis gefunden wurde. Audio- und Videovorlagen geben keine Seitenzahlen zurück.
Neben einfachen Feldern bietet die benutzerdefinierte BDA-Ausgabe auch mehrere Optionen für Anwendungsfälle, auf die Sie möglicherweise bei der Dokumentextraktion stoßen: Tabellenfelder, Gruppen und benutzerdefinierte Typen.
**Tabellenfelder**
Wenn Sie ein Feld erstellen, können Sie sich dafür entscheiden, anstelle eines Basisfelds ein Tabellenfeld zu erstellen. Sie können dieses Feld genau wie die anderen auch benennen und einen Prompt bereitstellen. Sie können auch Spaltenfelder angeben. Diese Felder haben einen Spaltennamen, eine Spaltenbeschreibung und einen Spaltentyp. Wenn ein Tabellenfeld in der Extraktionstabelle angezeigt wird, sind die Spaltenergebnisse unterhalb des Tabellennamens gruppiert. Tabellenfelder können maximal 15 Unterfelder haben.
**Gruppen**
Eine Gruppe ist eine Struktur, die verwendet wird, um mehrere Ergebnisse innerhalb Ihrer Extraktion an einem zentralen Ort zu organisieren. Wenn Sie eine Gruppe erstellen, geben Sie der Gruppe einen Namen und können Felder in dieser Gruppe erstellen und platzieren. Diese Gruppe ist in Ihrer Extraktionstabelle markiert. Darunter werden die Felder aufgeführt, die sich in der Gruppe befinden.
**Benutzerdefinierte Typen**
Sie können einen benutzerdefinierten Typ erstellen, während Sie eine Vorlage im Blueprint-Playground bearbeiten. Jedes Feld kann ein benutzerdefinierter Typ sein. Dieser Typ hat einen eindeutigen Namen und veranlasst die Erstellung der Felder, aus denen die Erkennung besteht. Ein Beispiel hierfür wäre das Erstellen eines benutzerdefinierten Typs namens Address und das Aufnahmen der Felder „zip\$1code“, „city\$1name“, „street\$1name“ und „state“ in diesen. Dann könnten Sie bei der Bearbeitung eines Dokuments den benutzerdefinierten Typ in einem „company\$1address“-Feld verwenden. Dieses Feld gibt dann alle Informationen zurück, gruppiert in Zeilen unterhalb des benutzerdefinierten Typs. Sie können bis zu 30 benutzerdefinierte Felder pro Vorlage haben.
# Erstellen von Vorlagen
## Erstellen von Vorlagen für benutzerdefinierte Ausgaben
Amazon Bedrock Mit Data Automation (BDA) können Sie benutzerdefinierte Blueprints für jeden Dateityp erstellen, den BDA extrahieren kann. Sie können Vorlagen verwenden, um das gewünschte Ausgabeformat und die Extraktionslogik für Ihre Eingabedateien zu definieren. Durch die Erstellung von benutzerdefinierten Vorlagen können Sie die Ausgabe von BDA an Ihre spezifischen Anforderungen anpassen.
Innerhalb eines Projekts können Sie Folgendes anwenden:
+ Mehrere Dokumentvorlagen (bis zu 40). Auf diese Weise können Sie verschiedene Dokumenttypen innerhalb desselben Projekts verarbeiten, von denen jedes über eine eigene benutzerdefinierte Extraktionslogik verfügt.
+ Eine Bildvorlage. Dies gewährleistet die Einheitlichkeit bei der Bildverarbeitung innerhalb eines Projekts.
+ Eine Audiovorlage.
+ Eine Videovorlage.
### Erstellen von Vorlagen
Es gibt zwei Methoden zum Erstellen von Vorlagen in BDA:
+ Verwenden des Vorlagen-Prompts
+ Manuelle Erstellung von Vorlagen
#### Verwenden des Vorlagen-Prompts
Der Vorlagen-Prompt bietet eine Benutzeroberfläche mit Benutzerführung, die auf natürlicher Sprache basiert, um Vorlagen zu erstellen. So erstellen Sie eine Vorlage mithilfe des Prompts:
1. Navigieren Sie in der BDA-Konsole zum Abschnitt **Vorlagen**.
1. Klicken Sie auf **Vorlage erstellen** und wählen Sie **Prompt der Vorlage verwenden** aus.
1. Wählen Sie den Datentyp (Dokument, Bild, Audio oder Video) für Ihre Vorlage aus.
1. Beschreiben Sie in natürlicher Sprache die Felder und Daten, die Sie extrahieren möchten. Beispiel: „Extrahiere die Rechnungsnummer, den Gesamtbetrag und den Lieferantennamen aus Rechnungen.“
1. Mit dem Prompt wird basierend auf Ihrer Beschreibung eine Vorlage generiert.
1. Prüfen Sie die generierte Vorlage und nehmen Sie gegebenenfalls Anpassungen vor. Vorlagen-Prompts sind Single-Turn-basiert, d. h. Sie müssen alle Informationen erneut eingeben, um Ihren Prompt zu ändern, nicht nur die neuen Informationen.
1. Speichern und benennen Sie die Vorlage.
##### Beispiel für einen Vorlagen-Prompt
Im folgenden Abschnitt wird ein Beispiel für einen Vorlagen-Prompt für eine Audiovorlage beschrieben. In diesem Anwendungsfall möchten wir eine Vorlage erstellen, um Informationen aus einer Konversation zwischen einem Kunden und einem Kundendienstmitarbeiter zu extrahieren. Der folgende Screenshot zeigt das Prompt-Fenster in der Konsole.
![\[alt text not found\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/audio-bpa-prompt.png)
Am unteren Rand des Screenshots sehen Sie den KI-generierten Prompt basierend auf der Eingabe im Feld. Wir können sehen, wie die erwähnten Felder verarbeitet werden. Als Nächstes können wir die aus dem Prompt erstellte Vorlage betrachten.
![\[alt text not found\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/audio-bpa-example.png)
Hier können wir uns die Informationen ansehen, die wir aus der Konversation verarbeiten möchten. Wenn Sie mit den Feldern zufrieden sind, können Sie sofort mit der Verarbeitung einer Audiodatei beginnen. Wenn Sie Ihre Vorlage bearbeiten möchten, müssen Sie ein Duplikat erstellen, anstatt sie direkt zu bearbeiten. Sie können Ihren Prompt auch anpassen, um andere Ergebnisse zu erzielen.
#### Manuelles Erstellen von Vorlagen
Für fortgeschrittenere Benutzer oder Benutzer, die eine detaillierte Steuerung benötigen, lassen sich Vorlagen auch manuell erstellen:
1. Navigieren Sie in der BDA-Konsole zum Abschnitt **Vorlagen**.
1. Klicken Sie auf **Vorlage erstellen** und wählen Sie **Manuell erstellen** aus.
1. Wählen Sie den Datentyp (Dokument, Bild, Audio oder Video) für Ihre Vorlage aus.
1. Definieren Sie die Felder, die Sie extrahieren möchten, und geben Sie Datentypen, Formate und etwaige Validierungsregeln an.
1. Konfigurieren Sie zusätzliche Einstellungen wie die Aufteilung von Dokumenten oder die Layoutverwaltung.
1. Speichern und benennen Sie die Vorlage.
Sie können auch den JSON-Editor für Vorlagen verwenden, um eine Vorlage zu erstellen oder zu ändern. Auf diese Weise können Sie den JSON-Code der Vorlage direkt über den Texteditor anpassen.
### Hinzufügen von Vorlagen zu einem Projekt
Projekte dienen als Container für Ihre multimodalen Workflows zur Inhaltsverarbeitung, während Vorlagen die Extraktionslogik für diese Workflows definieren. Sie fügen Projekten Vorlagen hinzu, um diese auf Dateien anzuwenden, die Sie mit dem jeweiligen Projekt verarbeiten.
So fügen Sie eine Vorlage zu einem Projekt hinzu:
1. Navigieren Sie in der BDA-Konsole zum Abschnitt **Projekte**.
1. Wählen Sie das Projekt aus, dem Sie die Vorlage hinzufügen möchten.
1. Klicken Sie auf **Vorlage hinzufügen** oder **Vorlagen verwalten**.
1. Wählen Sie die Vorlage, die Sie hinzufügen möchten, aus der Liste der verfügbaren Vorlagen aus.
1. Konfigurieren Sie alle projektspezifischen Einstellungen für die Vorlage.
1. Speichern Sie die Änderungen an Ihrem Projekt.
### Definieren von Feldern
Zu Beginn können Sie ein Feld erstellen, um die Informationen zu identifizieren, die Sie extrahieren oder generieren möchten, z. B. „product\$1type“. Für jedes Feld müssen Sie eine Beschreibung, einen Datentyp und einen Inferenztyp angeben.
Um ein Feld zu definieren, müssen Sie die folgenden Parameter angeben:
+ *Beschreibung:* Beschreibt in natürlicher Sprache, was das Feld darstellt. Dies hilft dabei, den Kontext und den Zweck des Feldes zu verstehen, und ermöglicht die genaue Extraktion von Daten.
+ *Typ:* Gibt den Datentyp des Feldwerts an. BDA unterstützt die folgenden Typen:
+ Zeichenfolge: Für textbasierte Werte
+ Zahl: Für numerische Werte
+ Boolescher Wert: Für die Werte „true“ oder „false“
+ Array: Für Felder, die mehrere Werte desselben Typs enthalten können (z. B. ein Array von Zeichenfolgen oder ein Array von Zahlen)
+ *Inferenztyp:* Weist BDA an, wie die Antwortgenerierung des Feldwerts zu handhaben ist. Bei Bildern unterstützt BDA nur den abgeleiteten Inferenztyp. Das bedeutet, dass BDA den Feldwert auf der Grundlage der im Bild vorhandenen Informationen ableitet.
Für Videos enthalten Felder auch eine Option für Granularität. Weitere Informationen zu dieser Eigenschaft finden Sie unter „Erstellen von Vorlagen für Videos“.
Die folgende Abbildung zeigt das Modul „Felder hinzufügen“ in der Amazon Bedrock Konsole mit den folgenden Beispielfeldern und Werten:
+ Feldname: product\$1type
+ Typ: Zeichenfolge
+ Anweisung: Für welches Produkt oder welche Dienstleistung wird hauptsächlich geworben, z. B. Kleidung, Elektronik, Lebensmittel und Getränke usw.?
+ Extraktionstyp: Abgeleitet.
![\[Amazon Bedrock Benutzeroberfläche mit Dropdownmenüs und Textfeldern zur Angabe von Bildfeldern.\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bda-console-add-fields-new.png)
Hier ist ein Beispiel dafür, wie dieselbe Felddefinition in einem JSON-Schema für die API aussieht:
```
"product_type":{
"type": "string",
"inferenceType": "inferred",
"description": "What is the primary product or service being advertised, e.g., Clothing, Electronics, Food & Beverage, etc.?"
}
```
In diesem Beispiel:
+ Der Typ ist auf „string“ festgelegt, was bedeutet, dass der Wert des Felds „product\$1type“ textbasiert sein soll.
+ „inferenceType“ ist auf „inferred“ gesetzt, wodurch BDA angewiesen wird, den Wert auf der Grundlage der im Bild vorhandenen Informationen abzuleiten.
+ Die Beschreibung bietet zusätzlichen Kontext und verdeutlicht, dass das Feld den Produkttyp im Bild identifizieren soll. Beispielwerte für das Feld „product\$1type“ sind: Kleidung, Elektronik und Lebensmittel oder Getränke.
Indem Sie diese Parameter für jedes Feld angeben, stellen Sie BDA die erforderlichen Informationen zur Verfügung, um präzise Informationen aus Ihren Bildern zu extrahieren und daraus Erkenntnisse zu gewinnen.
### Erstellen von Projektversionen
Wenn Sie mit Projekten arbeiten, können Sie eine Version einer Vorlage erstellen. Eine Version ist ein unveränderlicher Snapshot einer Vorlage, der die aktuellen Konfigurationen und Extraktionslogik beibehält. Diese Vorlagenversion kann in einer Anforderung zum Start der Datenverarbeitung übergeben werden, wodurch sichergestellt wird, dass BDA Dokumente gemäß der Logik verarbeitet, die in der Vorlage zum Zeitpunkt der Erstellung der Version angegeben war.
Sie können eine Version mit der `CreateBlueprintVersion`-Operation erstellen.
Mit der Amazon-Bedrock-Konsole können Sie ebenfalls Vorlagen erstellen und speichern. Wenn Sie eine Vorlage speichern, wird ihr eine ID zugewiesen. Anschließend können Sie die Vorlage veröffentlichen, wodurch eine Snapshot-Version dieser Vorlage erstellt wird, die nicht bearbeitet werden kann. Wenn der mit Ihrem Projekt verknüpfte Blueprint beispielsweise „DocBlueprint“ lautet, lautet die erstellte Projektversion „DocBlueprint\$11“. Sie können keine weiteren Änderungen an „DocBlueprint\$11“ vornehmen, aber Sie können den Basis-Blueprint trotzdem bearbeiten. Wenn Sie Änderungen am Blueprint vornehmen und ihn erneut veröffentlichen, wird eine neue Version wie „DocBlueprint\$12“ erstellt. Vorlagenversionen können dupliziert und als Grundlage für eine neue Vorlage verwendet werden.
# So nutzen Sie Vorlagen, um verschiedene IDP-Aufgaben zu erfüllen
Vorlagen sind ein äußerst vielseitiges Tool für die Dokumentenverarbeitung. In den folgenden Abschnitten wird die Erstellung von Vorlagen unter Berücksichtigung verschiedener IDP-Ziele erörtert. Darüber hinaus bietet dieser Abschnitt einen besseren Einblick in die Einzelheiten der Erstellung von Vorlagen für Dokumente im Allgemeinen.
# So erstellen Sie Vorlagen für die Klassifizierung
Mit BDA können Sie Dokumente klassifizieren, indem Sie bei der Erstellung einer Vorlage eine Dokumentenklasse zuweisen und eine Beschreibung angeben. Die Dokumentenklasse dient der allgemeinen Kategorisierung des Dokumenttyps, während die Beschreibung detailliertere Informationen zu den erwarteten Inhalten und Elementen innerhalb dieser Dokumentenklasse enthält. Wir empfehlen, dass Ihre Beschreibung den typischen Datentyp in den Dokumenten zusammen mit anderen relevanten Informationen wie dem Zweck des Dokuments und den erwarteten Entitäten angibt.
Beispiele für Dokumentenklassen und ihre Beschreibungen sind:
| Dokumentenklasse | Beschreibung |
| --- | --- |
| Rechnung | Eine Rechnung ist ein Dokument, das die Liste der erbrachten Dienstleistungen oder Artikel enthält, die von einer Person oder einem anderen Unternehmen bei einem Unternehmen gekauft wurden. Sie enthält Angaben darüber, wann die Zahlung fällig ist und wie viel geschuldet wird. |
| Gehaltsabrechnung | Dieses Dokument, das von einem Arbeitgeber für einen Arbeitnehmer ausgestellt wird, enthält die vom Arbeitnehmer in einem bestimmten Zeitraum erhaltenen Löhne. Es enthält in der Regel die Aufschlüsselung der einzelnen Einkommens- und Steuerabzüge. |
| Quittung | Ein Dokument, das bestätigt, dass eine Person nach einem Verkauf oder einer anderen Übertragung von Waren oder der Erbringung einer Dienstleistung Geld oder Eigentum als Zahlung erhalten hat. Auf allen Quittungen muss das Kaufdatum angegeben sein. |
| W2 | Dies ist ein Steuerformular zur Einreichung persönlicher Einkünfte, die von einem Arbeitgeber in einem Geschäftsjahr erzielt wurden |
Gehen Sie nach dem Erstellen Ihrer Vorlagenfelder wie folgt vor:
1. Wählen Sie auf der Seite Vorlage erstellen **Prompt der Vorlage speichern und beenden** aus.
1. Geben Sie unter Vorlagenname einen Namen für Ihre Vorlage ein.
1. Geben Sie für Dokumentklasse einen Klassennamen ein, der den Dokumenttyp darstellt, den Sie klassifizieren möchten.
1. Geben Sie im Feld Beschreibung eine detaillierte Beschreibung des Dokumenttyps ein. Geben Sie Informationen über die Art der Daten und Elemente an, die häufig in diesen Dokumenten vorkommen, z. B. Personen, Unternehmen, Adressen, Produktdetails oder andere relevante Informationen.
1. Klicken Sie auf Vorlage veröffentlichen.
Nachdem Sie die Vorlage erstellt haben, können Sie diese verwenden, um Dokumente während der Inferenz zu klassifizieren, indem Sie eine oder mehrere Vorlagen-IDs in der InvokeDataAutomationAsync-API-Anfrage angeben.
BDA verwendet die in den einzelnen Vorlagen angegebene Dokumentenklasse und Beschreibung, um die Dokumente genau zu kategorisieren und zu verarbeiten. Wenn Sie ein Dokument zur Verarbeitung einreichen, analysiert BDA seinen Inhalt und gleicht ihn mit der Liste der bereitgestellten Vorlagen ab. Das Dokument wird dann auf Grundlage der Anweisungen in den Vorlagenfeldern klassifiziert und verarbeitet, um die Ausgabe in der gewünschten Struktur zu erzeugen.
# So erstellen Sie Vorlagen für die Extraktion
Mit BDA können Sie die spezifischen Datenfelder definieren, die Sie aus ihren Bildern extrahieren möchten, wenn Sie eine Vorlage erstellen. Dies dient als eine Reihe von Anweisungen, die BDA dabei unterstützen, nach welchen Informationen zu suchen und wie diese zu interpretieren sind.
**Definieren von Feldern**
Zu Beginn können Sie für jedes Feld, das extrahiert werden muss, eine Eigenschaft erstellen, z. B. employee\$1id oder product\$1name. Für jedes Feld müssen Sie eine Beschreibung, einen Datentyp und einen Inferenztyp angeben.
Um ein Extrahierungsfeld zu definieren, müssen Sie die folgenden Parameter angeben:
+ Feldname: Bietet eine für Menschen lesbare Erklärung dessen, wofür das Feld steht. Dies hilft dabei, den Kontext und den Zweck des Feldes zu verstehen, und ermöglicht die genaue Extraktion von Daten.
+ Beschreibung: Bietet eine Erklärung in natürlicher Sprache dafür, was das Feld darstellt. Dies hilft dabei, den Kontext und den Zweck des Feldes zu verstehen, und ermöglicht die genaue Extraktion von Daten.
+ Typ: Gibt den Datentyp des Feldwerts an. BDA unterstützt die folgenden Datentypen:
+ Zeichenfolge: Für textbasierte Werte
+ Zahl: Für numerische Werte
+ boolean: Für Werte true/false
+ Array: Für Felder, die mehrere Werte desselben Typs enthalten können (z. B. ein Array von Zeichenfolgen oder ein Array von Zahlen)
+ Inferenztyp: Weist BDA an, wie die Extraktion des Feldwerts zu handhaben ist. Die unterstützten Inferenztypen sind:
+ Explizit: BDA sollte den Wert direkt aus dem Dokument extrahieren.
+ Abgeleitet: BDA sollte den Wert auf Grundlage der im Dokument enthaltenen Informationen ableiten.
Hier sehen Sie ein Beispiel für eine Felddefinition mit allen Parametern:
------
#### [ Console ]
![\[Hier wird in der Konsole gezeigt, wie man „Feldname“ und „Anweisung“ hinzufügt. Der Typ ist auf „Zeichenfolgen-Array“ und der Extraktionstyp ist auf „Explizit“ gesetzt.\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bdaadd.png)
------
#### [ API ]
```
"product_name":{
"type":"string",
"inferenceType":"Explicit",
"description":"The short name of the product without any extra details"
}
```
------
In diesem Beispiel:
+ Der Typ ist auf „Zeichenfolge“ festgelegt, was bedeutet, dass der Wert des Felds „product\$1type“ textbasiert sein soll.
+ „inferenceType ist auf „Explicit“ gesetzt, sodass BDA angewiesen wird, den Wert ohne Transformation oder Überprüfung direkt aus dem Dokument zu extrahieren.
+ Die Anweisung bietet zusätzlichen Kontext und verdeutlicht, dass das Feld den Kurznamen des Produkts ohne zusätzliche Details enthalten sollte.
Indem Sie diese Parameter für jedes Feld angeben, stellen Sie BDA die erforderlichen Informationen zur Verfügung, um präzise Informationen aus Ihren Dokumenten zu extrahieren und daraus Erkenntnisse zu gewinnen.
| Feld | Anweisungen | Extraktionstyp | Typ |
| --- | --- | --- | --- |
| ApplicantsName | Vollständiger Name des Bewerbers | explizit | Zeichenfolge |
| DateOfBirth | Geburtsdatum des Mitarbeiters | explizit | Zeichenfolge |
| Vertrieb | Bruttoeinnahmen oder Umsätze | explizit | number |
| Statement\$1starting\$1balance | Saldo zu Beginn eines Zeitraums | explizit | number |
**Felder mit mehreren Werten**
In Fällen, in denen ein Feld mehrere Werte enthalten kann, können Sie Arrays oder Tabellen definieren.
**Felderliste**
Für Felder, die eine Werteliste enthalten, können Sie einen Array-Datentyp definieren.
In diesem Beispiel ist "OtherExpenses" als ein Array von Zeichenketten definiert, sodass BDA mehrere Ausgabenposten für dieses Feld extrahieren kann.
------
#### [ Console ]
![\[Hier wird in der Konsole gezeigt, wie man „Feldname“ und „Anweisung“ hinzufügt. Der Typ ist auf „Zeichenfolgen-Array“ und der Extraktionstyp ist auf „Explizit“ gesetzt.\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bdaarray.png)
------
#### [ API ]
```
"OtherExpenses":{
"type":"array",
"inferenceType":"Explicit",
"description":"Other business expenses not included in fields 8-26 or field 30",
"items":{
"type":"string"
}
}
```
------
**Tabellen**
Wenn Ihr Dokument tabellarische Daten enthält, können Sie innerhalb des Schemas eine Tabellenstruktur definieren.
In diesem Beispiel ist „SERVICES\$1TABLE“ als Tabellentyp mit Spaltenfeldern wie Produktname, Beschreibung, Menge, Einzelpreis und Betrag definiert.
------
#### [ Console ]
![\[Hier wird in der Konsole gezeigt, wie man „Feldname“ und „Anweisung“ hinzufügt. Der „Typ“ ist auf „Tabelle“ und der „Extraktionstyp“ ist auf „Explizit“ gesetzt und zeigt spaltenspezifische Felder an, die hinzugefügt wurden.\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bdatable.png)
------
#### [ API ]
```
"definitions":{
"LINEITEM":{
"properties":{
"quantity":{
"type":"number",
"inferenceType":"Explicit"
},
"unit price":{
"type":"number",
"inferenceType":"Explicit"
},
"amount":{
"type":"number",
"inferenceType":"Explicit",
"description":"Unit Price * Quantity"
},
"product name":{
"type":"string",
"inferenceType":"Explicit",
"description":"The short name of the product without any extra details"
},
"product description":{
"type":"string",
"inferenceType":"Explicit",
"description":"The full item list description text"
}
}
}
},
"properties":{
"SERVICES_TABLE":{
"type":"array",
"description":"Line items table listing all the items / services charged in the invoice including quantity, price, amount, product / service name and description.",
"items":{
"$ref":"#/definitions/LINEITEM"
}
},
"...
..."
]
```
------
Durch die Definition umfassender Schemas mit entsprechenden Feldbeschreibungen, Datentypen und Inferenztypen können Sie sicherstellen, dass BDA die gewünschten Informationen korrekt aus Ihren Dokumenten extrahiert, unabhängig von Variationen in der Formatierung oder Darstellung.
# So erstellen Sie Vorlagen für die Normalisierung
BDA bietet Normalisierungsfunktionen, mit denen Sie die extrahierten Daten gemäß Ihren spezifischen Anforderungen konvertieren und standardisieren können. Diese Normalisierungsaufgaben können in Schlüsselnormalisierung und Wertnormalisierung unterteilt werden.
**Schlüsselnormalisierung**
In vielen Fällen können Dokumentfelder unterschiedlich dargestellt oder beschriftet werden. Das Feld „Sozialversicherungsnummer“ könnte beispielsweise als „SSN“, „Steuer-ID“, „TIN“ oder als andere ähnliche Varianten angezeigt werden. Um dieser Herausforderung zu begegnen, bietet BDA die Schlüsselnormalisierung an, mit der Sie Anweisungen zu den Variationen innerhalb Ihrer Felddefinitionen bereitstellen können.
Durch die Nutzung der Schlüsselnormalisierung können Sie BDA dabei unterstützen, verschiedene Repräsentationen desselben Felds zu erkennen und einem standardisierten Schlüssel zuzuordnen. Dieses Feature stellt sicher, dass Daten konsistent extrahiert und organisiert werden, unabhängig von den Variationen in den Quelldokumenten.
| Feld | Anweisungen | Extraktionstyp | Typ |
| --- | --- | --- | --- |
| LastName | Nachname der Person | explizit | Zeichenfolge |
| BirthNum | Dokumentennummer oder Aktenzeichen der Geburtsurkunde | explizit | Zeichenfolge |
| OtherIncome | Sonstige Einnahmen, einschließlich Steuergutschrift oder Rückerstattung von Benzin- oder Treibstoffsteuern auf Bundes- und Landesebene | explizit | Zahl |
| BusinessName | Name des Unternehmens, Auftragnehmers oder der Stelle, die das Formular W9 ausfüllt | explizit | Zeichenfolge |
| power factor | Leistungsfaktor oder Multiplikator, der für diesen Verwendungseinzelposten verwendet wurde | explizit | Zeichenfolge |
| BirthPlace | Name des Krankenhauses oder der Einrichtung, in der das Kind geboren wurde | explizit | Zeichenfolge |
| Cause of Injury | Ursache der Verletzung oder Berufskrankheit, einschließlich ihres Zusammenhanges mit dem Arbeitsplatz | explizit | Zeichenfolge |
Für Felder mit vordefinierten Wertesätzen oder Aufzählungen können Sie die erwarteten Werte oder Bereiche in der Feldanweisung angeben. Wir empfehlen, die Variationen wie in den Beispielen gezeigt in Anführungszeichen zu setzen.
| Feld | Anweisungen | Extraktionstyp | Typ |
| --- | --- | --- | --- |
| LICENSE\$1CLASS | Der einbuchstabige Klassencode, entweder „A“, „B“ oder „C“ | explizit | Zeichenfolge |
| Sex | Das Geschlecht. Auswahl von „M“ oder „F“ | explizit | Zeichenfolge |
| InformantType | Der Informationstyp. Entweder „Elternteil“ oder „Andere“ | explizit | Zeichenfolge |
| INFORMATIONSSAMMELKANAL | EINER DER FOLGENDEN: „PERSÖNLICHES GESPRÄCH“, „TELEFONINTERVIEW“, „FAX ODER POST“, „E-MAIL ODER INTERNET“ | explizit | Zeichenfolge |
**Wertnormalisierung**
Die Normalisierung von Werten ist eine wichtige Aufgabe in Datenverarbeitungspipelines, bei denen extrahierte Daten in ein konsistentes und standardisiertes Format umgewandelt werden müssen. Dieser Prozess stellt sicher, dass nachgeschaltete Systeme die Daten nahtlos nutzen und verarbeiten können, ohne dass Kompatibilitätsprobleme oder Unklarheiten auftreten.
Mithilfe der Normalisierungsfunktionen in BDA können Sie Formate standardisieren, Maßeinheiten konvertieren und Werte in bestimmte Datentypen umwandeln.
Für Aufgaben zur Wertnormalisierung sollte der Extraktionstyp „Abgeleitet“ verwendet werden, da der Wert nach der Normalisierung möglicherweise nicht exakt mit dem Rohtext oder der OCR des Dokuments übereinstimmt. Beispielsweise wird ein Datumswert wie „06/25/2022“, der auf „YYYY-MM-DD“ formatiert werden muss, nach der Normalisierung als „2022-06-25" extrahiert und entspricht somit nicht der OCR-Ausgabe aus dem Dokument.
Formate standardisieren: Sie können Werte in vordefinierte Formate konvertieren, z. B. in verkürzte Codes, Nummerierungsschemas oder bestimmte Datumsformate. Auf diese Weise können Sie die Konsistenz der Datendarstellung sicherstellen, indem Sie Industriestandards oder organisatorische Konventionen einhalten.
| Feld | Anweisungen | Extraktionstyp | Typ |
| --- | --- | --- | --- |
| ssn | Die SSN, formatiert als XXX-XX-XXX | Abgeleitet | Zeichenfolge |
| STATE | Der zweibuchstabige Code des Bundesstaates | Abgeleitet | Zeichenfolge |
| expiration\$1date | Das Ablaufdatum im Format YYYY-MM-DD | Abgeleitet | Zeichenfolge |
| DATE\$1OF\$1BIRTH | Das Geburtsdatum des Fahrers im YYYY-MM-DD Format | Abgeleitet | Zeichenfolge |
| CHECK\$1DATE | Das Datum, an dem der Scheck unterschrieben wurde. Formatieren Sie das Format auf YYYY-MM-DD | Abgeleitet | Zeichenfolge |
| PurchaseDate | Kaufdatum des Fahrzeugs im Format mm/dd/yy | Abgeleitet | Zeichenfolge |
Sie können Werte auch in eine Standardmaßeinheit oder in einen bestimmten Datentyp konvertieren, indem Sie Szenarien wie „Nicht zutreffend“ behandeln.
| Feld | Anweisungen | Extraktionstyp | Typ |
| --- | --- | --- | --- |
| WEIGHT | Gewicht in Pfund umgerechnet | Abgeleitet | Zahl |
| HEIGHT | Höhe in Zoll umgerechnet | Abgeleitet | Zahl |
| nonqualified\$1plans\$1income | Der Wert in Feld 11. 0, wenn N/Z. | Abgeleitet | Zahl |
# So erstellen Sie Vorlagen für die Transformation
Mit BDA können Sie Datenfelder an Ihre konkreten Anforderungen anpassen. Diese Funktion ermöglicht Ihnen, die extrahierten Daten in ein Format umzuwandeln, das besser auf Ihre nachgelagerten Systeme oder Analyseanforderungen abgestimmt ist.
In vielen Fällen können Dokumente Felder enthalten, die mehrere Informationen in einem einzigen Feld kombinieren. Mit BDA können Sie diese Felder in separate, individuelle Felder aufteilen, um die Datenmanipulation und -analyse zu vereinfachen. Wenn ein Dokument beispielsweise den Namen einer Person als einzelnes Feld enthält, können Sie es in separate Felder für Vorname, zweiten Vornamen, Nachnamen und Suffix aufteilen.
Für Transformationsaufgaben kann der Extraktionstyp als Explizit oder Abgeleitet definiert werden, je nachdem, ob der Wert normalisiert werden muss.
| Feld | Anweisungen | Extraktionstyp | Typ |
| --- | --- | --- | --- |
| first\$1name | Der Vorname. | explizit | String |
| Zweiter\$1Vorname | Der zweite Vorname oder die Initiale | explizit | String |
| last\$1name | Der Nachname des Fahrers | explizit | String |
| Suffix | Das Suffix, z. B. PhD, MSc. usw. | explizit | String |
Ein anderes Beispiel sind Adressblöcke, die als ein einzelnes Feld erscheinen könnten
| Feld | Anweisungen | Extraktionstyp | Typ |
| --- | --- | --- | --- |
| Straße | Wie lautet die Straße | explizit | String |
| Ort | Wie lautet die Stadt | explizit | String |
| Status | Welcher Staat ist es? | explizit | String |
| ZipCode | Wie lautet die Postleitzahl? | explizit | String |
Sie können diese Felder als vollständig individuelle Felder definieren oder einen benutzerdefinierten Typ erstellen. Benutzerdefinierte Typen sind so konzipiert, dass Sie sie für verschiedene Felder wiederverwenden können. Im folgenden Beispiel erstellen wir einen benutzerdefinierten Typ „NameInfo“, den wir für „EmployeeName“ und „ManagerName“ verwenden.
![\[Hier sehen Sie, wie in der Konsole benutzerdefinierte Typdetails hinzugefügt werden. Außerdem werden die Untereigenschaften angezeigt, die dem benutzerdefinierten Typ hinzugefügt wurden.\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bdacustomtype.png)
# So erstellen Sie Vorlagen für die Validierung
Mit BDA können Sie Validierungsregeln definieren, um die Richtigkeit der extrahierten Daten sicherzustellen. Diese Validierungsregeln können in Ihre Vorlagen integriert werden, sodass BDA verschiedene Prüfungen an den extrahierten Daten durchführen kann. Mit BDA können Sie benutzerdefinierte Validierungen erstellen, die auf Ihre spezifischen Geschäfts- oder Branchenanforderungen zugeschnitten sind. Im Folgenden finden Sie einige Beispiele für Validierungen, um den Umfang dieser Fähigkeit zu veranschaulichen.
**Numerische Validierungen**
Numerische Validierungen werden verwendet, um zu überprüfen, ob die extrahierten numerischen Daten in einen bestimmten Wertebereich fallen oder bestimmte Kriterien erfüllen. Diese Validierungen können auf Felder wie Beträge, Mengen oder andere numerische Daten angewendet werden.
| Feld | Anweisungen | Extraktionstyp | Typ |
| --- | --- | --- | --- |
| BalanceGreaterCheck | Ist der vorherige Saldo höher als 1 000 USD? | Abgeleitet | Boolesch |
| Entspricht der Bruttogewinn der Differenz zwischen Umsatz und COGS? | Frage zur Validierung | Abgeleitet | Boolesch |
| is\$1gross\$1pay\$1valid | Ist der Bruttolohn seit Jahresbeginn der größte Betrag auf der Gehaltsabrechnung? | Abgeleitet | Boolesch |
**Datums-/Zeitvalidierungen**
Validierungen von Datum und Uhrzeit werden verwendet, um zu überprüfen, ob die extrahierten Datums- oder Uhrzeitdaten in einen bestimmten Bereich fallen oder bestimmte Kriterien erfüllen. Diese Validierungen können auf Felder wie Fälligkeit, Ablauf oder andere datums- oder zeitbezogene Daten angewendet werden.
| Feld | Anweisungen | Extraktionstyp | Typ |
| --- | --- | --- | --- |
| was\$1injury\$1reported\$1after\$11\$1month | Wurde die Verletzung dem Arbeitgeber mehr als 1 Monat nach dem Tag der Verletzung gemeldet? | Abgeleitet | Boolesch |
| is\$1overdue | Ist der Auszug überfällig? Ist das Fälligkeitsdatum des Saldos abgelaufen? | Abgeleitet | Boolesch |
| is\$1delivery\$1date\$1valid | Liegt der Liefertermin innerhalb der nächsten 30 Tage? | Abgeleitet | Boolesch |
**Zeichenfolgen- und Formatvalidierungen**
Zeichenfolgen- und Formatvalidierungen werden verwendet, um zu überprüfen, ob die extrahierten Daten einem bestimmten Format entsprechen oder mit vordefinierten Mustern übereinstimmen. Diese Validierungen können auf Felder wie Namen, Adressen oder andere Textdaten angewendet werden, für die eine Formatüberprüfung erforderlich ist.
| Feld | Anweisungen | Extraktionstyp | Typ |
| --- | --- | --- | --- |
| routing\$1number\$1valid | True, wenn die Bankleitzahl 9 Ziffern umfasst | Abgeleitet | Boolesch |
| Is\$1NumMeterIDsListed | Sind auf der Rechnung mehr als 5 Zähler-IDs aufgeführt? | Abgeleitet | Boolesch |
Mit den benutzerdefinierten Validierungsfunktionen von BDA können Sie komplexe Validierungsregeln erstellen, die mehrere Bedingungen, Berechnungen oder logische Operationen kombinieren, um sicherzustellen, dass die extrahierten Daten Ihren gewünschten Kriterien entsprechen. Diese Validierungen können feldübergreifende Prüfungen, Berechnungen oder jede andere benutzerdefinierte Logik beinhalten, die auf Ihre Geschäftsprozesse oder behördlichen Anforderungen zugeschnitten ist.
Durch die Integration dieser Validierungsregeln in Ihre Vorlagen kann BDA die extrahierten Daten automatisch validieren und so deren Richtigkeit und Konformität mit Ihren spezifischen Anforderungen sicherstellen. Diese Funktion ermöglicht Ihnen, bei fehlgeschlagenen Validierungen menschliche Überprüfungen auszulösen.
# Erstellen von Vorlagen für Bilder
Amazon Bedrock Data Automation (BDA) ermöglicht es Ihnen, benutzerdefinierte Vorlagen für Bildmodalitäten zu erstellen. Sie können Vorlagen verwenden, um das gewünschte Ausgabeformat und die Extraktionslogik für Ihre Eingabedateien zu definieren. Durch die Erstellung von benutzerdefinierten Vorlagen können Sie die Ausgabe von BDA an Ihre spezifischen Anforderungen anpassen. Innerhalb eines Projekts können Sie eine einzelne Bildvorlage anwenden.
## Definieren von Datenfeldern für Bilder
Mit BDA können Sie die spezifischen Felder definieren, die Sie aus ihren Bildern identifizieren möchten, indem Sie eine Vorlage erstellen. Dies dient als eine Reihe von Anweisungen, die BDA dabei unterstützen, welche Informationen aus Ihren Bildern extrahiert und generiert werden sollen.
### Beispiele für Vorlagenfelder für Werbebilder
Hier sind einige Beispiele für Vorlagenfelder zum Analysieren von Werbebildern.
| | | | |
| --- |--- |--- |--- |
| Feld | Anweisung | Art der Extraktion | Typ |
| Produkttyp | Für welches Produkt oder welche Dienstleistung wird hauptsächlich geworben? Beispiel: Kleidung, Elektronik, Lebensmittel und Getränke | gefolgert | Zeichenfolge |
| Produktplatzierung | Wie wird das Produkt im Werbebild platziert, z. B. zentriert, im Hintergrund, von einer Person gehalten usw.? | gefolgert | Zeichenfolge |
| Produktgröße | Die Produktgröße ist klein, wenn die Größe weniger als 30% des Bildes beträgt, mittel, wenn sie zwischen 30 und 60% beträgt, und groß, wenn sie größer als 60% des Bildes ist | gefolgert | Zeichenfolge |
| Bildstil | Klassifizieren Sie den Bildstil der Anzeige. Zum Beispiel Produktbild, Lifestyle, Porträt, Retro, Infografik, nichts davon. | gefolgert | Zeichenfolge |
| bild\$1hintergrund | Der Hintergrund kann einfarbig, naturbelassen, drinnen, draußen oder abstrakt sein. | gefolgert | Zeichenfolge |
| Werbeangebot | Enthält die Werbung Rabatte, Angebote oder Werbebotschaften? | gefolgert | boolesch |
### Beispiele für Vorlagenfelder für die Mediensuche
Im Folgenden finden Sie einige Beispiele für Vorlagenfelder zum Generieren von Metadaten aus Bildern für die Mediensuche.
| | | | |
| --- |--- |--- |--- |
| Feld | Anweisung | Art der Extraktion | Typ |
| person\$1counting | Wie viele Personen sind auf dem Bild? | gefolgert | number |
| Klassifizierung für drinnen und draußen | Ist das Bild drinnen oder draußen? | gefolgert | Zeichenfolge |
| Szenenklassifizierung | Klassifizieren Sie die Einstellung oder Umgebung des Bildes. Beispiel: städtische, ländliche, natürliche, historische, Wohn-, Gewerbe-, Freizeit- und öffentliche Räume | gefolgert | Zeichenfolge |
| Identifizierung von Tieren | Enthält das Bild Tiere? | gefolgert | boolesch |
| Tiertyp | Welche Tiere sind auf dem Bild zu sehen? | gefolgert | Zeichenfolge |
| Farbidentifikation | Ist das Bild in Farbe oder Schwarzweiß? | gefolgert | Zeichenfolge |
| Fahrzeugidentifikation | Ist auf dem Bild ein Fahrzeug sichtbar? | gefolgert | Zeichenfolge |
| Fahrzeugtyp | Welcher Fahrzeugtyp ist auf dem Bild zu sehen? | gefolgert | Zeichenfolge |
| Identifizierung des Wasserzeichens | Ist auf dem Bild ein Wasserzeichen sichtbar? | gefolgert | boolesch |
# Erstellen von Vorlagen für Audio
Ähnlich wie bei Bildvorlagen können Sie nur eine Audiovorlage pro Projekt haben.
Im Folgenden finden Sie einige Beispielfelder für die Audioverarbeitung.
## Beispiele für Vorlagenfelder für Audiodateien
| | | | |
| --- |--- |--- |--- |
| Feld | Anweisungen | Extraktionstyp | Typ |
| transcript\$1summary | Generate a concise abstractive summary of the conversation, focusing on the main topics and key themes. Ensure accuracy by summarizing only what is explicitly discussed, without adding specific details not present in the conversation. Keeping the response within 100 words. | inferred | string |
| topics | The main topics of the audio transcript, listed as single words. | inferred | [string] (Array of strings) |
| category | The category of the audio (not the topic). Choose from General conversation, Media, Hospitality, Speeches, Meetings, Education, Financial, Public sector, Healthcare, Sales, Audiobooks, Podcasts, 911 calls, Other. | inferred | string |
| spoken\$1named\$1entities | Any named entities (typically proper nouns) explicitly mentioned in the audio transcript including locations, brand names, company names, product names, services, events, organizations, etc. Do not include names of people, email addresses or common nouns. | extractive | [string] (Array of strings) |
## Beispiele für Vorlagenfelder für Konversationsanalysen
| | | | |
| --- |--- |--- |--- |
| Feld | Anweisungen | Extraktionstyp | Typ |
| call\$1summary | Summarize the caller-agent conversation in under 100 words. Start with the caller's request, then the agent's response and actions, ending with outcomes or follow-ups. Include key details like emails, links, or callbacks. For multiple issues, summarize each with its outcome and next steps. | inferred | string |
| call\$1categories | The category (or categories) of the call. Choose one or more from Billing, Tech support, Customer service, Account support, Sales, Complaints, Product issues, Service issues, General inquiries, Other. | inferred | [string] (Array of strings) |
| spoken\$1locations | Locations explicitly mentioned in the conversation, including cities, states, and countries. | extractive | [string] |
| call\$1opening | Did the agent greet the caller and introduce themselves at the beginning of the call? | extractive | boolean |
# Erstellen von Vorlagen für Videos
Vorlagen für Videodateien bieten im Vergleich zu anderen Vorlagen einige einzigartige Eigenschaften, insbesondere bei der Erstellung von Feldern. Videovorlagen verfügen über den Parameter „Granularität“, mit dem Sie ein Feld entweder auf „Video“ oder „Kapitel“ festlegen können. Wenn das Feld auf „Video“ festgelegt ist, wird es im gesamten Video erkannt. Wenn Sie beispielsweise eine Zusammenfassung des gesamten Clips anzeigen möchten, sollten Sie die Granularität dieses Felds auf „Video“ festlegen.
Ein Feld, dessen Granularität auf „Kapitel“ festgelegt ist, gibt stattdessen eine Antwort für jedes Kapitel des Videos zurück. Das Feld gibt für jedes Videokapitel einen Wert zurück. Ausgehend vom vorherigen Beispiel sollten Sie die Granularität auf „Kapitel“ festlegen, wenn Sie eine Zusammenfassung der einzelnen Teile eines Videos ansehen möchten.
Wenn Sie ein Granularitätsfeld für Kapitel erstellen, können Sie einen eindeutigen Datentyp oder ein Array von Entitäten festlegen. Wenn Sie beispielsweise die optisch hervorstechenden Objekte in Ihrem Video erkennen möchten, könnten Sie das Feld `key-visual-objects` erstellen und für dessen Typ ein Array von Entitäten festlegen. Dieses Feld würde dann die Namen der Entitäten in einem Array-Objekt zurückgeben.
Im Folgenden finden Sie einige Beispielfelder für die Videoverarbeitung. Alle Felder in Videovorlagen werden als abgeleitet erachtet, mit Ausnahme von Entitäten und Arrays von Entitäten.
## Beispiele für Vorlagenfelder für die Mediensuche
| | | | | |
| --- |--- |--- |--- |--- |
| Feld | Anweisungen | Extraktionstyp | Typ | Granularity |
| key-visual-objects | Please detect all the visually prominent objects in the video | extractive | Array of entities | [ "chapter" ] |
| keywords | Searchable terms that capture key themes, cast, plot elements, and notable aspects of TV shows and movies to enhance content discovery. | inferred | Array of strings | ["video"] |
| genre | The genre of the content. | inferred | string | ["video"] |
| video-type | Identify the type of video content | inferred | enums: ["Movie", "TV series", "News", "Others"] | [ "video" ] |
## Beispiele für Vorlagenfelder für Keynote-Highlights
| | | | | |
| --- |--- |--- |--- |--- |
| Feld | Anweisungen | Extraktionstyp | Typ | Granularity |
| broadcast-setting | The physical setting or environment where the broadcast or training session is taking place. | inferred | enums["conference hall", "classroom", "outdoor venue", "Others", "Not applicable to the video"] | [ "video" ] |
| broadcast-audience-engagement | The level of engagement or interaction between the speakers and the audience. | inferred | enums["interactive", "passive", "Not applicable to the video"] | ["video"] |
| broadcast-visual-aids | A list of notable visual aids or materials used during the presentation, such as slides, diagrams, or demonstrations. | inferred | Array of strings | ["video"] |
| broadcast-audience-size | The size of the audience present at the event. | inferred | enums["large crowd", "medium crowd", "small group", "Not applicable to this video"] | [ "chapter" ] |
| broadcast-presentation-topics | A list of key topics, subjects, or themes covered in the presentation or training session. | inferred | enums: ["Movie", "TV series", "News", "Others"] | [ "video" ] |
## Beispiele für Vorlagenfelder für Werbeanalysen
| | | | | |
| --- |--- |--- |--- |--- |
| Feld | Anweisungen | Extraktionstyp | Typ | Granularity |
| ads-video-ad-categories | The ad categories for the video | inferred | enums["Health and Beauty", "Weight Loss", "Food and Beverage", "Restaurants", "Political", "Cryptocurrencies and NFT", "Money Lending and Finance", "Tobacco", "Other", "Video is not an advertisement"] | [ "video" ] |
| ads-video-language | The primary language of the advertisement | inferred | string | ["video"] |
| ads-video-primary-brand | The main brand or company being advertised in the video. | inferred | string | ["video"] |
| ads-video-main-message | The primary message or tagline conveyed in the advertisement | inferred | string | [ "video" ] |
| ads-video-message-clarity | How clear and understandable the main message of the advertisement is | inferred | enums: ["clear", "ambiguous", "Not applicable to the video"] | [ "video" ] |
| ads-video-target-audience-interests | Specific interests or hobbies that the target audience is likely to have | inferred | Array of strings | [ "video" ] |
| ads-video-product-type | The category or type of product being advertised | inferred | enums: ["electronics", "apparel", "food\$1and\$1beverage", "automotive", "home\$1appliances", "other", "Not applicable to the video"] | [ "video" ] |
| ads-video-product-placement | The way the product is positioned or showcased in the advertisement | inferred | enums: ["front\$1and\$1center", "background", "held\$1by\$1person", "other", "Not applicable to the video"] | [ "video" ] |
| ads-video-product-features | The key features or specifications of the advertised product highlighted in the video | inferred | Array of strings | [ "video" ] |
| ads-video-number-of-products | The number of distinct products or variations featured in the advertisement | inferred | number | [ "video" ] |
Videos unterstützen auch ein Array von Entitätstypen, mit deren Hilfe bestimmte Entitäten in Videoinhalten identifiziert und lokalisiert werden können. Dieses Feature gibt eine Reihe von erkannten Entitäten zurück. Im Folgenden finden Sie ein Beispiel für eine Reihe von Entitäten in einer Kundenvorlage:
```
"field_name": {
"items": {
"$ref": "bedrock-data-automation#/definitions/Entity"
},
"type": "array",
"instruction": "Please detect all the visually prominent objects in the video",
"granularity": [
"chapter"
]
}
```
**Anmerkung**
`bedrock-data-automation#/definitions/Entity` ist ein BDA-eigener Servicetyp. Sie können das folgende Schema verwenden, um die Ergebnisse zu analysieren.
```
{
"$schema": "http://json-schema.org/draft-07/schema#",
"$id": "bedrock-data-automation",
"type": "object",
"definitions": {
"BoundingBox": {
"type": "object",
"additionalProperties": false,
"properties": {
"left": {
"type": "number"
},
"top": {
"type": "number"
},
"width": {
"type": "number"
},
"height": {
"type": "number"
}
}
},
"Entity": {
"type": "object",
"additionalProperties": false,
"properties": {
"label": {
"type": "string"
},
"bounding_box": {
"$ref": "bedrock-data-automation#/definitions/BoundingBox"
},
"confidence": {
"type": "number"
}
}
}
},
"properties": {}
}
```
# Optimieren Sie Ihre Pläne mit Ground Truth
Sie können die Genauigkeit der Blueprints verbessern, indem Sie Beispielinhalte mit den korrekten erwarteten Ergebnissen bereitstellen. **Die Optimierung von Blueprint-Anweisungen verwendet Ihre Beispiele, um die Anweisungen in natürlicher Sprache in Ihren Blueprint-Feldern zu verfeinern, wodurch die Genauigkeit Ihrer Inferenzergebnisse verbessert wird.**
Die Optimierung von Blueprint-Anweisungen funktioniert am besten, wenn Sie bestimmte Werte extrahieren müssen, die direkt in Ihren Dokumenten vorkommen, wie Rechnungsnummern, Vertragsbeträge oder Steuerformularfelder. Wir empfehlen, 3 bis 10 Beispielressourcen anzugeben, die die Dokumente repräsentieren, die Sie in der Produktion verarbeiten, insbesondere solche, bei denen Sie auf Genauigkeitsprobleme gestoßen sind.
**So funktioniert die Optimierung von Blueprint-Anweisungen**
Die Optimierung von Blueprint-Anweisungen analysiert die Unterschiede zwischen Ihren erwarteten Ergebnissen und den ersten Inferenzergebnissen. Der Service verfeinert die Anweisungen in natürlicher Sprache für jedes Feld Ihres Blueprints iterativ, bis die Anweisungen in Ihren Beispiel-Assets zu genaueren Ergebnissen führen. Dieser Vorgang ist innerhalb von Minuten abgeschlossen, ohne dass ein Training oder eine Feinabstimmung des Modells erforderlich ist.
Wenn Sie mit dem Optimierungsprozess beginnen, geben Sie Ihre Beispiel-Assets und die entsprechenden Ground-Truth-Daten an — also die korrekten Werte, die Sie für jedes Feld zu extrahieren erwarten. Die Optimierung der Blueprint-Anweisungen vergleicht diese Werte mit den Inferenzergebnissen und passt die Feldbeschreibungen an, um die Genauigkeit zu verbessern. Nach Abschluss der Optimierung erhalten Sie Genauigkeitsmetriken, die die Verbesserung der Genauigkeit aufzeigen, einschließlich exakter Trefferquoten und anhand Ihrer Bodendaten gemessenen F1-Ergebnissen.
**Was Sie benötigen, bevor Sie mit der Optimierung Ihrer Pläne beginnen**
**Ein Blueprint mit definierten Feldern**. Erstellen Sie einen Blueprint mithilfe der Konsole oder API. Ihr Blueprint sollte die Feldnamen und anfänglichen Beschreibungen für die Daten enthalten, die Sie extrahieren möchten.
**Beispiele für Inhaltsressourcen**. Sammeln Sie 3 bis 10 Dokumentressourcen, die Ihren Produktionsaufwand für Dokumente darstellen. Wählen Sie Beispiele aus, die alle Felder in Ihrem Blueprint enthalten.
**Erwartete Ergebnisse für Ihre Beispiele**. Bereiten Sie die richtigen Werte vor, die Sie aus jedem Beispiel-Asset extrahieren möchten. Sie können diese Werte während der Optimierung manuell eingeben oder sie mithilfe einer Manifestdatei hochladen.
**Ein S3-Bucket-Standort**. Geben Sie einen S3-Bucket an, in dem Sie Ihre Beispiel-Assets und Ground-Truth-Daten speichern möchten. Sie können Ihren eigenen Bucket bereitstellen oder dem Service erlauben, einen für Sie zu erstellen.
**Step-by-step Prozess zur Optimierung Ihres Blueprints**
Um Ihren Blueprint zu optimieren, beginnen Sie auf der Blueprint-Detailseite in der Amazon Bedrock Data Automation-Konsole. Beachten Sie, dass dies nur für Ihre Dokumentmodalität verfügbar ist.
Schritt 1. Wählen Sie **Blueprint optimieren** aus, um den Optimierungsworkflow zu starten.
![\[alt text not found\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bda-blueprint-optimize-button.png)
Schritt 2. **Laden Sie Ihre Beispiel-Assets** hoch. Wählen Sie bis zu 10 Inhaltsressourcen von Ihrem lokalen Gerät oder von einem S3-Standort aus. Der Dienst lädt Ihre Inhalte hoch und zeigt Miniaturansichten für jede Datei an. Wenn Sie diesen Blueprint zuvor optimiert haben, können Sie neue Beispiele hinzufügen oder bestehende entfernen.
![\[alt text not found\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bda-optimize-files-selector.png)
Schritt 3. **Stellen Sie Ground Truth für jedes Asset** bereit. Wählen Sie ein Asset aus, um den Ground-Truth-Editor zu öffnen. Der Editor zeigt links Ihre Dokumentenvorschau und rechts eine vereinfachte Tabelle mit Ihren Blueprint-Feldern an. Geben Sie für jedes Feld den korrekten Wert, den Sie zu extrahieren erwarten, in die Spalte Ground Truth ein.
![\[alt text not found\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bda-optimize-files-ground-truth.png)
Schritt 4. **Um die Ground-Truth-Eingabe zu beschleunigen, wählen Sie **Automatisch ausfüllen aus, um erste Rückschlüsse auf Ihre Ressourcen zu ziehen** und die **Ground-Truth-Spalte** automatisch anhand der Werte in Ihrer Ergebnisspalte zu füllen.** Bearbeiten Sie alle falschen Werte, bevor Sie fortfahren.
![\[alt text not found\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bda-optimize-ground-truth-edit.png)
Schritt 5. **Starten Sie die Optimierung**. Nachdem Sie die Ground-Truth-Eingabe für alle ausgewählten Assets abgeschlossen haben, wählen Sie **Optimierung starten** aus. Die Datenautomatisierung analysiert Ihre Beispiele und verfeinert die Anweisungen in natürlicher Sprache für jedes Feld. Eine Fortschrittsanzeige zeigt den Optimierungsstatus mit Meldungen wie „Wir lesen Ihre Ressourcen“ und „Iterieren anhand von Anweisungen in natürlicher Sprache“ an.
![\[alt text not found\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bda-start-optimization-button.png)
Schritt 6: **Überprüfen Sie die Bewertungskennzahlen**. Wenn die Optimierung abgeschlossen ist, werden im Abschnitt **Metriken** Genauigkeitsmetriken für Ihren Blueprint angezeigt. Die Metriken vergleichen die Leistung vor der Optimierung und nach der Optimierung. Prüfen Sie die F1-Gesamtpunktzahl, die Konfidenzpunktzahl und die genaue Trefferquote, um zu beurteilen, ob der Blueprint Ihren Genauigkeitsanforderungen entspricht.
Auf der Registerkarte „**Metriken nach Beispieldatei**“ wird die Genauigkeit auf Feldebene für jedes Beispiel-Asset angezeigt. Verwenden Sie diese Kennzahlen, um zu ermitteln, welche Felder verbessert wurden und welche Felder möglicherweise zusätzliche Beispiele oder manuelle Anpassungen erfordern.
![\[alt text not found\]](http://docs.aws.amazon.com/de_de/bedrock/latest/userguide/images/bda/bda-optimize-metrics.png)
Schritt 7. **Vollständige Optimierung**. Wenn die Bewertungsmetriken Ihren Anforderungen entsprechen, wählen Sie **Optimierten Blueprint speichern** aus, um den optimierten Blueprint für die Produktion bereitzustellen. Ihr Blueprint verwendet jetzt die verfeinerten Anweisungen in natürlicher Sprache für alle future Inferenzanfragen.
**Optimieren Sie Ihren Blueprint erneut**
Sie können einen Blueprint jederzeit erneut optimieren, um die Genauigkeit weiter zu verbessern. **Kehren Sie zur Blueprint-Detailseite zurück und wählen Sie Blueprint optimieren aus.** Der Service zeigt die Ressourcen, die Sie zuvor für die Optimierung verwendet haben, zusammen mit ihren Ground-Truth-Werten an.
Zur erneuten Optimierung können Sie neue Beispiel-Assets hinzufügen, Ground-Truth-Werte für bestehende Assets bearbeiten oder Assets entfernen, die nicht mehr Ihrem Workload entsprechen. Wenn Sie **Optimierung starten** auswählen, wird die Blueprint-Befehlsoptimierung anhand Ihrer aktuellen Blueprint-Anweisungen im Vergleich zu den neuen Anweisungen berechnet.
**Bearbeiten Sie einen Blueprint nach der Optimierung**
Wenn Sie Felder zu einem optimierten Blueprint hinzufügen oder daraus entfernen, entfernt der Service den Optimierungsverlauf und die zugehörigen Beispiel-Assets. Laden Sie vor der Bearbeitung die Manifestdatei herunter, die Ihre Asset-Standorte und Ground-Truth-Bezeichnungen enthält. Die Manifestdatei verwendet das JSON-Format und enthält alle Felder und Ground-Truth-Werte aus Ihrer vorherigen Optimierung. Um Ihre Optimierungsarbeit beizubehalten, laden Sie die Manifestdatei hoch, wenn Sie den bearbeiteten Blueprint erneut optimieren. Die Datenautomatisierung wendet automatisch Ground-Truth-Werte auf übereinstimmende Felder an. Felder, die im Blueprint nicht mehr vorhanden sind, werden aus dem Manifest entfernt. Neue Felder haben erst dann Ground-Truth-Werte, wenn Sie sie angeben.
**Managen Sie die Optimierungskosten**
Bei der Optimierung von Blueprint-Anweisungen fallen die Inferenzkosten an, als ob Sie Ihre Anweisungen in natürlicher Sprache manuell bearbeiten und sie iterativ mit jedem Beispieldokument testen würden. Für eine grobe Berechnung entspricht die Anzahl der Seiten, die Sie als Beispiele angeben, der Anzahl der Seiten, die bei der Optimierung Ihres Blueprints berechnet werden. Bei jedem Optimierungslauf werden Ihre Beispiel-Assets mehrfach verarbeitet, um die Anweisungen zu verfeinern. Um die Kosten zu minimieren, beginnen Sie mit 3 bis 5 Beispielen für Ihre erste Optimierung. Fügen Sie weitere Beispiele hinzu, wenn Sie die Bewertungskennzahlen überprüfen und der Meinung sind, dass Sie zusätzliche Genauigkeitsverbesserungen benötigen.
Darüber hinaus sind die optimierten Anweisungen in natürlicher Sprache in der Regel länger und detaillierter als die ursprünglichen Anweisungen, was die Kosten für Laufzeitinferenzen erhöhen kann.