ลดความซับซ้อนในการแยกข้อมูลและกระบวนการอัตโนมัติในเวิร์กโฟลว์ที่เน้นข้อมูลหลายรูปแบบ รวมถึงการประมวลผลเอกสารอัจฉริยะ (IDP)
คำแนะนำนี้แสดงให้เห็นวิธีที่ระบบข้อมูลอัตโนมัติ HAQM Bedrock ช่วยเพิ่มประสิทธิภาพในการสร้างข้อมูลเชิงลึกที่มีคุณค่าจากเนื้อหาหลายรูปแบบที่ไม่มีโครงสร้าง เช่น เอกสาร รูปภาพ เสียง และวิดีโอผ่าน API การอนุมานหลายรูปแบบแบบครบวงจร ระบบข้อมูลอัตโนมัติ HAQM Bedrock ช่วยให้นักพัฒนาสามารถสร้างแอปพลิเคชัน AI ช่วยสร้างหรือทำให้เวิร์กโฟลว์ที่เน้นข้อมูลหลายรูปแบบเป็นระบบอัตโนมัติได้ เช่น IDP, การวิเคราะห์สื่อ หรือการดึงข้อมูลเพื่อการสร้างแบบเสริม (RAG) อย่างรวดเร็วและคุ้มค่า เมื่อปฏิบัติตามคำแนะนำนี้ คุณจะสามารถทำให้งานที่ซับซ้อนง่ายขึ้น เช่น การแยกเอกสาร การจำแนก การแยกข้อมูล การนอร์มัลไลซ์รูปแบบเอาต์พุต และการตรวจสอบความถูกต้องของข้อมูล ซึ่งจะช่วยเพิ่มความสามารถในการปรับขนาดการประมวลผลของคุณได้เป็นอย่างมาก
โปรดทราบ: [ข้อจำกัดความรับผิดชอบ]
แผนผังสถาปัตยกรรม

-
การประมวลผลเอกสารอัจฉริยะ
-
การประมวลผลข้อเรียกร้องทางการแพทย์
-
การประมวลผลเอกสารอัจฉริยะ
-
แผนภาพสถาปัตยกรรมนี้แสดงวิธีการจำแนกและแยกเอกสารโดยใช้ตัวอย่างการประมวลผลการสร้างสินเชื่อสำหรับบริษัทบริการทางการเงิน
ขั้นตอนที่ 1
ทีมวิทยาศาสตร์ข้อมูลอัปโหลดเอกสารตัวอย่างไปยังบัคเก็ต HAQM Simple Storage Service (HAQM S3)ขั้นตอนที่ 2
ทีมวิทยาศาสตร์ข้อมูลใช้พิมพ์เขียวที่ให้ไว้และสร้างพิมพ์เขียวแบบกำหนดเองใหม่สำหรับแต่ละคลาสเอกสาร: W2, สลิปเงินเดือน, ใบขับขี่, 1099 และรายการเดินบัญชี แต่ละตัวอย่างจะได้รับการประมวลผลและ AI ช่วยสร้างจะพร้อมท์ฟิลด์แยกข้อมูล (เช่น ชื่อและนามสกุล ค่าจ้างรวม กำไรจากการลงทุน และงบหลังปิดบัญชี)
ขั้นตอนที่ 3
พิมพ์เขียวได้รับการทดสอบและปรับปรุง มีการเพิ่มการนอร์มัลไลซ์ การเปลี่ยนแปลง และการตรวจสอบความถูกต้องที่สำคัญ
ขั้นตอนที่ 4
พิมพ์เขียวได้รับการจัดการและจัดเก็บไว้ในฟีเจอร์ระบบข้อมูลอัตโนมัติ HAQM Bedrock
ขั้นตอนที่ 5
การใช้เหตุการณ์ “อ็อบเจกต์ที่สร้างขึ้น” HAQM EventBridge จะทริกเกอร์ฟังก์ชัน AWS Lambda เมื่ออัปโหลดเอกสารไปยัง HAQM S3 ฟังก์ชัน Lambda นี้จะใช้ฟีเจอร์ระบบข้อมูลอัตโนมัติ HAQM Bedrock เพื่อประมวลผลเอกสารที่อัปโหลดขั้นตอนที่ 6
เวิร์กโฟลว์การประมวลผลในฟีเจอร์ระบบข้อมูลอัตโนมัติ HAQM Bedrock จะรวมถึงการแบ่งเอกสารตามขอบเขตเชิงตรรกะ โดยการแบ่งแต่ละส่วนจะมีประมาณ 20 หน้า แต่ละหน้าจะได้รับการจำแนกออกเป็นประเภทเอกสารที่เฉพาะเจาะจงและจับคู่กับพิมพ์เขียวที่เหมาะสม
ขั้นตอนที่ 6 (ต่อ)
จากนั้นจะเรียกดำเนินการพิมพ์เขียวที่สอดคล้องกันสำหรับแต่ละหน้าด้วยการดำเนินการนอร์มัลไลซ์ การเปลี่ยนแปลง และการตรวจสอบความถูกต้องที่สำคัญ ทั้งกระบวนการนี้ทำงานแบบอะซิงโครนัส ซึ่งจะช่วยให้สามารถจัดการเอกสารหลายรายการและปริมาณข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพ
ขั้นตอนที่ 7
ระบบข้อมูลอัตโนมัติ HAQM Bedrock จัดเก็บผลลัพธ์ไว้ในบัคเก็ต HAQM S3 เพื่อประมวลผลในภายหลังและทริกเกอร์ EventBridge
ขั้นตอนที่ 8
EventBridge ทริกเกอร์ฟังก์ชัน Lambda เพื่อประมวลผลลัพธ์ JSON ของระบบข้อมูลอัตโนมัติ HAQM Bedrock ผลการประมวลผลจะถูกส่งไปยังระบบการประมวลผลขั้นปลาย
-
การประมวลผลข้อเรียกร้องทางการแพทย์
-
แผนภาพสถาปัตยกรรมนี้แสดงวิธีการประมวลผลข้อเรียกร้องทางการแพทย์โดยอัตโนมัติด้วยการประมวลผลและข้อมูลอินพุตหลายรูปแบบเพื่อปรับปรุงประสิทธิภาพและความถูกต้อง
ขั้นตอนที่ 1
ผู้ให้บริการส่งเอกสารข้อเรียกร้อง รูปภาพ และวิดีโอไปยัง HAQM S3
ขั้นตอนที่ 2
เวิร์กโฟลว์ถูกทริกเกอร์ในระบบข้อมูลอัตโนมัติ HAQM Bedrock
ขั้นตอนที่ 3
นักพัฒนาสร้างพิมพ์เขียวในระบบข้อมูลอัตโนมัติ HAQM Bedrock เพื่อแยกข้อมูลที่เกี่ยวข้อง
ขั้นตอนที่ 4
ระบบข้อมูลอัตโนมัติ HAQM Bedrock ประมวลผลเอกสาร รูปภาพ และวิดีโอโดยการแยกข้อความ ตาราง อ็อบเจกต์ การถอดเสียง นอร์มัลไลซ์การทำโครงสร้างข้อมูล ทำเครื่องหมายรายการความเชื่อมั่นต่ำเพื่อตรวจสอบ ระบบข้อมูลอัตโนมัติ HAQM Bedrock จัดเก็บข้อมูลใน HAQM S3 และทริกเกอร์ EventBridge
ขั้นตอนที่ 5
EventBridge ทริกเกอร์ Lambda ซึ่งจะดึงข้อมูลเอาต์พุตของระบบข้อมูลอัตโนมัติ HAQM Bedrock จากบัคเก็ต S3
ขั้นตอนที่ 6
HAQM Bedrock Agents ใช้ฟังก์ชัน Lambda เพื่อดึงรายละเอียดแผนประกันของผู้ป่วยจาก HAQM Auroraขั้นตอนที่ 7
จากนั้น HAQM Bedrock Agents จะอัปเดตฐานข้อมูลข้อเรียกร้องไว้ใน Aurora
ขั้นตอนที่ 8
ผู้ตัดสินจะตรวจสอบฟิลด์ที่สำคัญและมุ่งเน้นไปที่รายการที่มีความเชื่อมั่นต่ำ
ขั้นตอนที่ 9
คำอธิบายของเอกสาร รูปภาพ และวิดีโอ Coverage (EoC) จะจัดเก็บไว้ใน HAQM S3 ระบบข้อมูลอัตโนมัติ HAQM Bedrock ประมวลผลข้อมูลหลายรูปแบบด้วย API เดียวและจัดเก็บไว้ใน HAQM S3 จากนั้นจะประมวลผล ฝัง และจัดเก็บไว้ในคอลเลกชันเวกเตอร์สำหรับฐานความรู้ของ HAQM Bedrockขั้นตอนที่ 10
HAQM Bedrock Agents คำนวณสิทธิ์เข้าร่วมโดยใช้ข้อมูลที่แยกออกมาและข้อมูลที่จัดทำดัชนี
ขั้นตอนที่ 11
HAQM Bedrock Agents อัปเดตฐานข้อมูลข้อเรียกร้องและแจ้งผู้ตัดสิน ผู้ตัดสินตรวจสอบและอนุมัติหรือปรับข้อเรียกร้องอย่างมีประสิทธิภาพ
เริ่มต้นใช้งาน

ปรับใช้คำแนะนำนี้
หลักการของ Well-Architected

เฟรมเวิร์ก AWS Well-Architected ช่วยให้คุณทำความเข้าใจข้อดีและข้อเสียของการตัดสินใจที่คุณทำเมื่อคุณสร้างระบบของคุณบนคลาวด์ เสาหลักหกประการของเฟรมเวิร์กช่วยให้คุณเรียนรู้แนวทางปฏิบัติที่ดีที่สุดทางสถาปัตยกรรมสำหรับการออกแบบและดำเนินงานระบบที่เชื่อถือได้ ปลอดภัย มีประสิทธิภาพ คุ้มค่า และยั่งยืน การใช้เครื่องมือ AWS Well-Architected Tools ซึ่งมีให้บริการฟรีใน AWS Management Console ช่วยให้คุณสามารถตรวจสอบเวิร์กโหลดของคุณตามแนวทางปฏิบัติที่ดีที่สุดเหล่านี้ โดยการตอบชุดคำถามสำหรับเสาหลักแต่ละประการ
แผนภาพสถาปัตยกรรมด้านบนเป็นตัวอย่างของโซลูชันที่สร้างขึ้นโดยคำนึงถึงแนวทางปฏิบัติที่ดีที่สุดของเฟรมเวิร์ก Well-Architected เพื่อให้เป็น Well-Architected เต็มรูปแบบ คุณควรยึดมั่นในแนวทางปฏิบัติที่ดีที่สุดของ Well-Architected ให้มากที่สุด
-
ความเป็นเลิศด้านการปฏิบัติงาน
HAQM S3, EventBridge และ Lambda สร้างเวิร์กโฟลว์อัตโนมัติที่ราบรื่นสำหรับการประมวลผลเอกสารและการแยกข้อมูลผ่านการจัดเก็บที่ปลอดภัยสำหรับเอกสารประเภทต่างๆ ระบบข้อมูลอัตโนมัติ HAQM Bedrock ช่วยเพิ่มประสิทธิภาพในการแยกและการนอร์มัลไลซ์ข้อมูลเพื่อลดการทำงานด้วยตนเองและเพิ่มความถูกต้อง ฐานความรู้ของ HAQM Bedrock จัดทำดัชนีข้อมูลที่ประมวลผล ทำให้สามารถค้นหาและเข้าถึงได้ง่าย ในขณะที่ HAQM Bedrock Agents จะใช้ประโยชน์จากข้อมูลที่มีโครงสร้างนี้เพื่อทำการตัดสินใจอย่างชาญฉลาดและกำหนดเส้นทางข้อเรียกร้องได้อย่างมีประสิทธิภาพ Aurora ทำหน้าที่เป็นฐานข้อมูลที่แข็งแกร่งสำหรับการจัดเก็บและดึงข้อมูลสำคัญ บริการเหล่านี้ร่วมกันทำให้มีระบบมีประสิทธิภาพสูง ปรับขนาดได้ และเชื่อถือได้ ซึ่งจะช่วยลดการแทรกแซงของมนุษย์และเพิ่มประสิทธิภาพให้ถึงระดับสูงสุดได้
-
การรักษาความปลอดภัย
HAQM S3 นำเสนอการจัดเก็บข้อมูลแบบเข้ารหัส Lambda เรียกใช้โค้ดในสภาพแวดล้อมที่แยกเดี่ยวและ HAQM Bedrock ใช้ประโยชน์จากโครงสร้างพื้นฐาน AWS ที่ปลอดภัยด้วยการเข้ารหัสในตัวและการควบคุมการเข้าถึง Aurora มีฟีเจอร์รักษาความปลอดภัยฐานข้อมูลขั้นสูง บริการเหล่านี้สร้างแนวทางการรักษาความปลอดภัยที่ครอบคลุมซึ่งจะปกป้องข้อมูลตลอดวงจรชีวิตไปพร้อม ๆ กับการดูแลการควบคุมการเข้าถึงและเส้นทางการตรวจสอบอย่างเข้มงวด ความสามารถในการจัดการนโยบายการรักษาความปลอดภัยจากส่วนกลางและใช้ประโยชน์จากการอัปเดตและการปรับปรุงการรักษาความปลอดภัยของ AWS อย่างต่อเนื่อง จะช่วยให้คุณสามารถดูแลสถานะการรักษาความปลอดภัยให้คงความแข็งแกร่งไปพร้อม ๆ กับการมุ่งเน้นไปที่การทำธุรกิจหลักของคุณ
-
ความเชื่อถือได้
HAQM S3 มอบพื้นที่เก็บข้อมูลที่ทนทานและพร้อมใช้งานสูงสำหรับเอกสาร EventBridge ช่วยให้แน่ใจได้ว่าการประมวลผลที่ขับเคลื่อนด้วยเหตุการณ์ที่สอดคล้องกันโดยการทริกเกอร์ฟังก์ชัน Lambda ซึ่งปรับขนาดได้อย่างราบรื่นเพื่อจัดการกับเวิร์กโหลดที่หลากหลายโดยไม่ต้องหยุดทำงาน Aurora ซึ่งเป็นฐานข้อมูลที่มีความพร้อมใช้งานสูง นำเสนอความสามารถในการใช้ระบบสำรองเพื่อกู้คืนข้อมูลและการสำรองข้อมูลอัตโนมัติ บริการเหล่านี้นำเสนอระบบที่ทนทานและทนต่อความผิดพลาดซึ่งสามารถทนต่อความผิดพร่องขององค์ประกอบ ปรับขนาดอัตโนมัติ และดูแลประสิทธิภาพให้สอดคล้องกันภายใต้โหลดสูง ลดเวลาหยุดทำงานและความเสี่ยงในการสูญเสียข้อมูลให้เหลือน้อยที่สุด
-
ประสิทธิภาพการทำงาน
บริการ AWS ช่วยเพิ่มประสิทธิภาพการทำงานผ่านโซลูชันประสิทธิภาพสูงและปรับขนาดได้สำหรับการประมวลผลเอกสาร HAQM S3 จะมอบการเข้าถึงเอกสารที่จัะเก็บไว้ด้วยเวลาแฝงต่ำ ในขณะที่ EventBridge เปิดใช้งานการประมวลผลเหตุการณ์แบบเรียลไทม์ Lambda นำเสนอพลังการประมวลผลตามความต้องการที่รวดเร็ว ลักษณะไร้เซิร์ฟเวอร์ของ Lambda และ EventBridge ช่วยขจัดคอขวดที่เกี่ยวข้องกับการเตรียมใช้งานเซิร์ฟเวอร์ นอกจากนี้ HAQM Bedrock ยังใช้ประโยชน์จากโมเดล AI ในการประมวลผลงานสำหรับการวิเคราะห์ข้อมูลที่ซับซ้อนอย่างมีประสิทธิภาพ
-
การปรับค่าใช้จ่ายให้เหมาะสม
บริการ AWS มีส่วนช่วยเพิ่มประสิทธิภาพต้นทุนผ่านโมเดลค่าบริการตามการใช้งานจริง (หมายความว่าจะมีค่าใช้จ่ายเฉพาะสำหรับทรัพยากรที่ใช้เท่านั้น) และช่วยทำให้ไม่ต้องลงทุนในโครงสร้างพื้นฐานล่วงหน้า HAQM S3 นำเสนอตัวเลือกการจัดเก็บข้อมูลแบบลำดับขั้น เพื่อให้เกิดความสมดุลระหว่างประสิทธิภาพและต้นทุน ลักษณะที่ไม่ต้องใช้เซิร์ฟเวอร์ของ EventBridge และ Lambda หมายถึงการชำระเงินเฉพาะสำหรับเวลาที่ใช้ในการประมวลผลจริงเท่านั้น HAQM Bedrock มอบความสามารถ AI โดยไม่ต้องมีความเชี่ยวชาญหรือโครงสร้างพื้นฐานราคาแพงภายในสถานที่ ส่วน Aurora นำเสนอประสิทธิภาพที่เทียบเท่าฐานข้อมูลด้านการค้าในราคาเพียงเล็กน้อย
-
ความยั่งยืน
บริการ AWS มีส่วนในความยั่งยืนโดยการเพิ่มประสิทธิภาพการใช้ทรัพยากรและประสิทธิภาพการใช้พลังงาน HAQM S3 ใช้เทคโนโลยีการจัดเก็บข้อมูลที่มีประสิทธิภาพในขณะที่ EventBridge และ Lambda มอบสถาปัตยกรรมแบบไม่ต้องใช้เซิร์ฟเวอร์ซึ่งจะลดความจุที่ไม่ได้ใช้งานให้เหลือน้อยที่สุด บริการบนคลาวด์เหล่านี้ช่วยลดโครงสร้างพื้นฐานในองค์กรได้อย่างมีนัยสำคัญ ลดการใช้พลังงานและการปล่อยก๊าซคาร์บอน ความสามารถในการปรับขนาดช่วยให้มั่นใจได้ถึงการใช้ทรัพยากรที่คุ้มค่าที่สุด เพื่อหลีกเลี่ยงการเตรียมใช้งานที่มากเกินไปและทำให้เกิดของเสียมากเกินไป
เนื้อหาที่เกี่ยวข้อง

[ชื่อเรื่อง]
ข้อจำกัดความรับผิดชอบ
โค้ดตัวอย่าง ไลบรารีซอฟต์แวร์ เครื่องมือบรรทัดคำสั่ง หลักฐานแนวคิด เทมเพลต หรือเทคโนโลยีอื่นๆ ที่เกี่ยวข้อง (รวมถึงสิ่งต่างๆ ที่กล่าวมานี้ที่จัดหาให้โดยบุคลากรของเรา) จะมีให้กับคุณในฐานะของเนื้อหา AWS ภายใต้สัญญาลูกค้าของ AWS หรือข้อตกลงที่เป็นลายลักษณ์อักษรที่เกี่ยวข้องระหว่างคุณและ AWS (อันใดก็ตามที่มีผลบังคับใช้) คุณไม่ควรใช้เนื้อหา AWS นี้ในบัญชีในสภาพแวดล้อมการผลิตของคุณ หรือในข้อมูลการผลิตหรือข้อมูลสำคัญอื่น ๆ คุณรับผิดชอบในการทดสอบ การรักษาความปลอดภัย และการเพิ่มประสิทธิภาพเนื้อหา AWS เช่น โค้ดตัวอย่าง ตามความเหมาะสมสำหรับการใช้งานระดับการผลิต ตามแนวทางปฏิบัติและมาตรฐานการควบคุมคุณภาพเฉพาะของคุณ การนำเนื้อหา AWS ออกใช้งานอาจทำให้มีค่าใช้จ่ายของ AWS สำหรับการสร้างหรือใช้ทรัพยากรที่เรียกเก็บเงินของ AWS เช่น เรียกใช้อินสแตนซ์ HAQM EC2 หรือการใช้ที่เก็บข้อมูล HAQM S3
การอ้างอิงถึงบริการหรือองค์กรของบุคคลที่สามในคำแนะนำนี้ไม่ได้หมายถึงเป็นการรับรองการสนับสนุนหรือความสัมพันธ์ระหว่าง HAQM หรือ AWS และบุคคลที่สาม คำแนะนำจาก AWS เป็นจุดเริ่มต้นทางเทคนิค และคุณสามารถปรับแต่งการผสานรวมกับบริการของบุคคลที่สามเมื่อคุณปรับใช้สถาปัตยกรรม