Amazon Textract

解決する課題

紙の帳票や PDF をデータ化するとき、従来の OCR は文字を平坦なテキスト列として返すだけで、表のセルやフォームの項目名と値の対応関係は失われがちでした。Amazon Textract は、機械学習によって文書のレイアウトを理解し、文字に加えて表やフォームの構造ごと抽出します。

• スキャン画像や PDF から**文字（行・単語）**を抽出する OCR
• 請求書・申込書などの表をセル単位で、行と列の構造を保って抽出
• フォームの「項目名と値」のペア（キーとバリュー）を関連付けて抽出
• 抽出結果を後段の検索・分析・自動入力・ワークフロー承認へ流し込む

OCR エンジンの学習やインフラ運用を自前で抱えずに、API 呼び出しだけで構造化データを得られる点が中心的な価値です。

主要概念と用語

• OCR（光学的文字認識）: 画像中の文字を機械可読なテキストに変換する技術。Textract の基礎
• 同期 API: 単一ページの画像や小さな文書をその場で処理し、結果を即座に返す方式。低遅延の単発処理向け
• 非同期 API: 複数ページの PDF など大きな文書を S3 経由でジョブとして処理し、完了後に結果を取得する方式
• Block（ブロック）: 抽出結果の構成要素。ページ・行・単語・表・セル・キーバリューなどの種類があり、相互の関係を持つ階層的なデータ構造
• フォーム抽出（キーバリュー）: 「氏名」と「山田太郎」のように、項目名とその値を対応付けて抽出する機能
• 表抽出（テーブル）: 表を行・列・セルとして認識し、表構造を保って抽出する機能
• クエリ: 「請求書番号は何か」といった自然文の問いを投げ、該当する値を返させる抽出方式
• 特化 API: 請求書・領収書向けの Analyze Expense、本人確認書類向けの Analyze ID など、定型帳票に特化した抽出 API
• 信頼度スコア: 抽出した各要素の確からしさを示す値。後段の人手確認の要否判定に使う

仕様・制限・クォータ

• 入力は一般的な画像形式と PDF に対応し、非同期処理では入力を S3 に配置するのが基本
• 結果は Block の集合からなる構造化された出力（JSON）として得られ、各要素に位置情報（バウンディングボックス）と信頼度スコアを含む
• 同期処理は単一ページ相当の小さな入力向け、複数ページの文書は非同期処理を用いるのが基本
• 1 文書あたりのページ数、ファイルサイズ、同時実行ジョブ数などにアカウント単位のクォータがあり、引き上げ申請が可能
• 手書き文字の抽出にも対応するが、印刷文字に比べ精度は内容や筆跡に依存する

対応フォーマット・上限値・対応言語は更新されるため、最新の公式ドキュメントで確認してください。

内部の仕組み

利用者から見ると、文書画像を渡すと AWS 側のマネージドな機械学習モデルが推論し、構造化データを返すブラックボックスとして扱えます。

• 同期処理: 画像のバイト列または S3 上のオブジェクトを直接渡し、その場で Block の一覧を受け取る
• 非同期処理: S3 上の文書を指定してジョブを開始し、完了をポーリングまたは通知（Amazon SNS など）で受け取ってから結果を取得する。複数ページや大きな PDF はこちらを使う
• 文字抽出だけを行う軽量な処理と、表やフォーム、クエリまで解析する高度な処理は API として分かれており、必要な機能だけを指定して呼び出す
• 抽出された要素は親子関係（ページが行を含み、表がセルを含む、など）を持つ Block として返され、利用側でこの関係をたどって表やフォームを再構成する

モデルの学習やスケーリング、ハードウェアの管理はすべて AWS 側が担います。

設計パターン / ベストプラクティス

• 非同期パイプライン化: S3 への文書アップロードをトリガに Lambda でジョブを起動し、完了通知（SNS や EventBridge）で後続処理へ流す疎結合構成
• 必要な解析だけ指定する: 単純な文字起こしで足りる場合は文字抽出のみを使い、表・フォーム解析は必要なときだけ有効化してコストと処理を抑える
• 定型帳票は特化 API を使う: 請求書・領収書なら Analyze Expense、運転免許証などの本人確認書類なら Analyze ID を使うと、項目を自前でマッピングする手間を減らせる
• 信頼度スコアで人手確認を振り分ける: スコアが一定未満の項目だけ人のレビューに回す Human-in-the-loop（A2I などと連携）を組み込み、自動化と正確性を両立する

運用・監視

• API 呼び出しやジョブの状態は CloudWatch のメトリクス・ログで監視する
• 非同期ジョブの完了・失敗は SNS や EventBridge で受け取り、後続処理や通知を自動化する
• API 操作の監査証跡は CloudTrail に記録される
• 失敗ジョブはエラー理由（非対応フォーマット、破損ファイル、権限不足など）を確認し、入力データと IAM 設定を見直す

コスト

• 課金は基本的に処理したページ数に対する従量制で、サーバーの常時起動費用は発生しない
• 文字抽出のみ、フォーム抽出、表抽出、クエリ、特化 API といった機能ごとに単価が異なる傾向があり、有効にした機能が増えるほどページ単価は上がる
• 必要のない高度解析を無効化し、再処理を避けることがコスト最適化につながる

具体的な単価は変動するため、料金は公式の料金ページで確認してください。少数のサンプル文書で検証してから本番のボリュームを見積もるのが安全です。

セキュリティ

• アクセス制御は IAM で行い、入出力に使う S3 バケットへの最小権限のみを付与する
• 保存データは S3 側の暗号化（KMS 管理鍵を含む）、転送は TLS で保護する
• 本人確認書類や医療文書など機微な情報を扱う場合は、入出力バケットのアクセスポリシーを限定し、抽出後のデータの保管・マスキングにも配慮する
• VPC 内のリソースからプライベートに到達したい場合は VPC エンドポイント経由のアクセスを検討する

Well-Architected の観点

• 運用上の優秀性: マネージドサービスにより運用負荷を下げ、S3・Lambda・SNS・EventBridge と組み合わせてドキュメント処理パイプラインを自動化・可観測化できる
• セキュリティ: IAM の最小権限、保存・転送時の暗号化で機微文書を保護する
• コスト最適化: 従量課金のため、不要な高度解析を避け、必要な機能だけを指定する
• 信頼性: 非同期・疎結合な構成にし、ジョブ失敗時の再試行や通知、低信頼度項目の人手確認を組み込む

試験で問われるポイント

関連サービス・比較

画像を扱う点で混同しやすい Amazon Rekognition と比較します。Rekognition は画像・動画の内容認識が主目的で、文書の構造化抽出は Textract の役割です。

ハンズオン / CLI例

# S3 上の単一ページ画像から文字・フォーム・表を解析（同期）
aws textract analyze-document \
  --document '{"S3Object":{"Bucket":"my-input-bucket","Name":"form.png"}}' \
  --feature-types '["FORMS","TABLES"]'

# 複数ページ PDF の文字抽出を非同期で開始し、ジョブ ID を取得
aws textract start-document-text-detection \
  --document-location '{"S3Object":{"Bucket":"my-input-bucket","Name":"invoice.pdf"}}'

# 開始したジョブの結果を取得（SUCCEEDED になったら Blocks を参照）
aws textract get-document-text-detection \
  --job-id <ここにジョブ ID>