Azure AI Document Intelligence

解決する課題

紙の書類や PDF、スキャン画像の中身を「人が目で読んで手入力する」作業は、遅く、間違いやすく、量に比例してコストが膨らみます。Azure AI Document Intelligence は、文書から文字・表・フォーム項目を機械的に抽出し、後続の業務システムが扱える構造化データに変えるための仕組みです。

• スキャンした紙や画像 PDF からテキストを抽出したい（OCR）
• 請求書・領収書・身分証などの定型書類から項目を取り出す処理を自動化したい
• 文書内の表を行と列の構造を保ったまま取り込みたい
• 自社固有の書式について、少数のサンプルから独自の抽出モデルを学習させたい（AWS の Textract に相当する用途）

主要概念と用語

• Document Intelligence: 旧称 Form Recognizer。文書の解析・抽出を行う Azure AI サービスの一機能
• Read（読み取り）モデル: ページから印刷文字・手書き文字を抽出する基本の OCR。言語の自動検出やページ単位のテキスト/行/単語を返す
• Layout（レイアウト）モデル: テキストに加えて表・選択マーク・段落・見出しなどの構造を抽出する。表は行列のセルとして取得できる
• 事前構築（Prebuilt）モデル: 請求書、領収書、身分証明書、名刺、税務書類などのよくある書類向けに学習済みのモデル。すぐ使える
• カスタム（Custom）モデル: 自社書式をラベル付けしたサンプルで学習させるモデル。テンプレート型と、より汎化に強いニューラル型がある
• フィールド / キーと値のペア: フォーム上の項目名と値の対応（例として「合計金額」とその数値）
• 信頼度スコア（confidence）: 抽出した各フィールドや行について、モデルがどれだけ確からしいと判断したかを表す値
• バウンディング領域 / ポリゴン: 抽出要素が文書上のどの位置にあるかを示す座標情報
• アドオン機能: 数式・バーコード・高解像度などの追加抽出オプション

仕様・制限・クォータ

• 入力は PDF・画像（一般的なラスター形式）・一部の Office 文書などに対応する。サポート形式やページ上限はモデルとプランで異なる
• 1 ファイルあたりのページ数・ファイルサイズ・画像寸法に上限があり、無料（Free）プランと有料（Standard）プランで制限が異なる
• 解析は基本的に非同期処理で、解析を開始してから結果を取得する流れになる（長い文書ほど結果取得までに時間がかかる）
• カスタムモデルでは学習に必要な最小サンプル数やプロジェクトあたりのモデル数などに上限がある
• 1 秒あたりのトランザクション数（呼び出しレート）にはスロットリングがあり、大量処理ではキューイングやリトライ設計が必要
• 対応言語・手書き対応の範囲はモデルにより異なる。最新の正確な上限値は公式ドキュメントで確認する

内部の仕組み

利用者は文書（または文書の URL）を指定して解析を要求し、サービスは内部の OCR とディープラーニングのモデルで文字・レイアウト・フィールドを抽出します。処理は非同期で、要求すると処理 ID が返り、完了後に構造化された JSON 結果（ページ、行、単語、表、キーと値のペア、各要素の座標と信頼度）を取得します。

事前構築モデルは、請求書や領収書といった特定の文書タイプ向けに学習済みで、項目名を意識した抽出結果を返します。一方カスタムモデルは、利用者がラベル付けした少数のサンプルから自社書式に特化した抽出を学習します。テンプレート型は決まったレイアウトに強く、ニューラル型はレイアウトのばらつきに対してより頑健です。

この「文字と構造を抽出して構造化データにする」役割は、AWS の Textract が担う領域とおおむね対応します。両者とも、抽出結果を後続の検索・RAG・業務ワークフローへ流し込む入口として使われます。

設計パターン / ベストプラクティス

• 用途に最も近いモデルを選ぶ: 単純な文字起こしは Read、表や構造が要るなら Layout、定型書類は事前構築、独自書式はカスタム、と段階的に選定する
• まず事前構築で評価し、足りなければカスタムへ移行する。最初から自前学習を作らない
• 信頼度スコアで分岐させ、低スコアの抽出結果は**人手レビュー（human-in-the-loop）**に回すワークフローを組む
• 非同期前提で設計し、ポーリングまたはイベント駆動で完了を検知する。大量処理ではキューとリトライ、指数バックオフを入れる
• 入力画像の解像度・傾き・コントラストを整える前処理で抽出精度を底上げする
• 抽出後の JSON をそのまま下流に渡さず、検証・正規化（日付や金額の型変換、桁チェック）を挟む

運用・監視

• 抽出精度が低い → 入力画像の品質、モデル選択（Read か Layout か事前構築か）、カスタムモデルの学習サンプルの偏りを点検する
• 結果が返らない/遅い → 非同期処理のポーリング間隔とタイムアウト、大きな文書のページ数を確認する
• レート上限に当たる → スロットリングのエラーを検知し、バックオフ付きリトライとキューイングで平準化する
• 呼び出し状況やレイテンシ、エラー率は Azure Monitor / 診断ログでメトリクスとして観測し、異常を検知する
• カスタムモデルはバージョン管理し、再学習時に精度回帰がないか評価用データで確認してから切り替える

コスト

課金は基本的に**解析した文書のページ数（または呼び出し回数）**に対して発生し、モデルの種類によって単価が異なります。Read のような基本 OCR より、構造抽出や事前構築・カスタムの方が高くなる傾向があります。

セキュリティ

• 認証は API キーまたは Microsoft Entra ID に対応し、運用では Entra ID とマネージド ID によるキーレスアクセスが推奨される
• 操作権限は Azure RBAC で最小権限に絞り、リソースごとにアクセスを制御する
• 保存データは保存時に暗号化され、要件に応じて **Customer-Managed Key（CMK）**で鍵を管理できる
• ネットワーク分離が必要なら Private Link と仮想ネットワーク統合で取り込みを閉域化し、パブリック アクセスを制限する
• 文書には個人情報が含まれやすいため、抽出結果の保管場所と保持期間を最小化し、不要になったデータは削除する

Well-Architected の観点

• オペレーショナル エクセレンス: 抽出ワークフローを非同期かつ自動化し、信頼度スコアに基づく人手レビューの分岐を組み込むことで、手入力に依存しない安定した文書処理を実現する。診断ログとメトリクスで抽出のエラー率と遅延を継続的に監視し、モデルのバージョン更新を計画的に運用する。

試験で問われるポイント

関連サービス・比較

ハンズオン / CLI例

# Document Intelligence（Cognitive Services）リソースを作成
az cognitiveservices account create \
  --name demo-docintel \
  --resource-group demo-rg \
  --kind FormRecognizer \
  --sku S0 \
  --location japaneast \
  --yes

# エンドポイントとキーを取得（アプリからの呼び出しに使用）
az cognitiveservices account show \
  --name demo-docintel \
  --resource-group demo-rg \
  --query properties.endpoint -o tsv

az cognitiveservices account keys list \
  --name demo-docintel \
  --resource-group demo-rg \
  --query key1 -o tsv

# 事前構築の請求書モデルで文書を解析（非同期処理を開始）
# 返却される operation-location を使って結果を取得する
curl -i -X POST \
  "https://<endpoint>/documentintelligence/documentModels/prebuilt-invoice:analyze?api-version=2024-11-30" \
  -H "Ocp-Apim-Subscription-Key: <key1>" \
  -H "Content-Type: application/json" \
  -d "{ \"urlSource\": \"https://example.com/sample-invoice.pdf\" }"