详细内容或原文请订阅后点击阅览
一种文档类型，百万个文件：SQL表RAG查询的结构化提取
企业文档智能[第1卷第14C期]——一小时两人六到十个字段，以及区分真实列和稍后会破坏筛选器的列的两个信号。该文章《一种文档类型，百万份文件：将结构化提取到
来源:走向数据科学现在，RAG 的许多工作都是让模型发现文档集合的结构：读取每个文件、提取实体、推断关系，然后生成一个无需任何人设计的图表。在同一份合同的五千份副本上，没有什么可发现的。
询问提交这些合同的人他们是通过什么来查找内容的。答案大约需要十秒钟：客户、生效日期、产品、保费、续保日期、保单号码。
没有人通过阅读文档找到这六个。它们是多年前由起草表格的人设计的，此后的每一份文件都是根据它们填写的。这些文件是一个可重复过程的输出，而该过程定义了字段。
所以这个集合是一个没有人输入的数据库。它的模式存在于处理文件的人的头脑中，工作就是将其取出并将其写入表中。
本文假设第 14A 条中的诊断（三种语料库，以及构建错误语料库的成本）已经以这种形式返回：一种文档类型，许多副本。它涵盖了下一步该做什么：
生成专栏的采访，逐个问题
两个信号，用于区分真实列和稍后将破坏过滤器的字段
作为集合目录的索引，以及它不断增长的原因
每个文档一次获得的报酬，以及每个问题获得的报酬
每天 50 个问题的算术，说明什么时候准备工作就能收回成本
本文是企业文档智能第 IV 部分的一部分，该系列由四块砖构建企业 RAG 系统。第四部分是输入不再是文件而是成为文件夹的地方，这是文件夹形状，其中表格是正确的答案。
工作示例是一个保险组合，它是虚构的：客户、保单编号和金额是为该系列编写的，与真正的被保险人或保险公司不匹配。第 3.2 节提供了一个可以运行相同测试的公共文件夹。