Es obligatorio usar un conjunto de datos etiquetado de documentos para entrenar, entrenar o evaluar una versión de procesador.
En esta página se describe cómo crear un conjunto de datos, importar documentos y definir un esquema. Para etiquetar los documentos importados, consulta Etiquetar documentos.
En esta página se presupone que ya has creado un procesador que admite entrenamiento, entrenamiento adicional o evaluación. Si tu procesador es compatible, verás la pestaña Entrenar en la consola Google Cloud .
Opciones de almacenamiento de conjuntos de datos
Puedes elegir entre dos opciones para guardar tu conjunto de datos:
- Gestionado por Google
- Ubicación personalizada de Cloud Storage
A menos que tengas requisitos especiales (por ejemplo, para mantener los documentos en un conjunto de carpetas habilitadas para CMEK), te recomendamos la opción de almacenamiento más sencilla gestionada por Google. Una vez creada la opción de almacenamiento del conjunto de datos, no se puede cambiar en el procesador.
La carpeta o subcarpeta de una ubicación de Cloud Storage personalizada debe estar vacía al principio y tratarse como de solo lectura. Si modificas manualmente su contenido, es posible que el conjunto de datos deje de ser útil y se pierda. La opción de almacenamiento gestionado por Google no conlleva este riesgo.
Sigue estos pasos para aprovisionar tu ubicación de almacenamiento.
Almacenamiento gestionado por Google (opción recomendada)
Mostrar opciones avanzadas al crear un nuevo procesador.
Mantén la opción de grupo de radios predeterminada Almacenamiento gestionado por Google.
Selecciona Crear.
Confirma que el conjunto de datos se ha creado correctamente y que su ubicación es Ubicación gestionada por Google.
Opción de almacenamiento personalizado
Activa o desactiva las opciones avanzadas.
Selecciona Especificaré mi propia ubicación de almacenamiento.
Elige una carpeta de Cloud Storage en el componente de entrada.
Selecciona Crear.
Operaciones de la API Dataset
En este ejemplo se muestra cómo usar el método processors.updateDataset para crear un conjunto de datos. Un recurso de conjunto de datos es un recurso singleton en un procesador, lo que significa que no hay ninguna RPC de creación de recursos. En su lugar, puedes usar el
RPC updateDataset para definir las preferencias. Document AI ofrece la opción de almacenar los documentos del conjunto de datos en un segmento de Cloud Storage que proporciones o de que Google los gestione automáticamente.
Antes de usar los datos de la solicitud, haz las siguientes sustituciones: