複雑な文書を正しく構造化する“DLA”、注意すべきポイントは
3. 文書レイアウト解析（DLA）
ハルシネーションを起こさず、かつ意味のあるまとまりを認識して構造化する技術として、文書レイアウト解析（Document Layout Analysis：DLA）がある。DLAの代表的な実現方法は、テキストと画像の両方のデータを同時に理解できるマルチモーダルAIだ。ドキュメント中に現れる図、表、パラグラフ、段組みなどを視覚的に学習するため、文章のレイアウトを意識した構造化が可能になる。
DLAを用いた構造化の例
［画像クリックで拡大］
加えて、DLAは生成AIではないためハルシネーションの心配もない。活用においては、DLA向けにいくつかのモデルがOSSとして公開されており、利用可能だ。
公開されているDLA向けのモデル群と、文書内の区画（Text、Title、List、Table、Figure）認識精度の比較[6]
［画像クリックで拡大］
しかし、複雑な表構造や高いデザイン性をもつドキュメントの解析には、公開されている汎用学習データセットをマルチモーダルAIに学習させるだけでは不十分だ。そこで、ストックマークは独自に保有するビジネスドキュメントを学習させることで、スライド形式の企画書や報告書、グラフィカルな説明を含む製品マニュアル、技報や論文や特許といった技術文献など、様々な形式のドキュメントを構造化できるようにした。同社による定量比較では、構造化の精度の点で高いスコアを実現、構造化の強力な選択肢を提供している。
DLAサービスの精度比較。文章中の各区画の位置と種類をどれだけ正解できたかを、適合率（予測が「正解」としたもののうち、実際に正しかった割合）、再現率（実際の正解のうち、予測で「正解」と捉えられた割合）、F1スコア（適合率と再現率の調和平均）を算出して評価。区画の位置はIoU（正解領域に対する予測領域の重なり度）0.5以上を正解としている。Stockmark DLAはconfidence＞0.5の結果
［画像クリックで拡大］
[6]「Vision Grid Transformer for Document Layout Analysis」（Cornell University, 2023年8月29日）
