Processar documentos com o analisador de layout do Gemini

O analisador de layout da Document AI é um serviço avançado de análise de texto e compreensão de documentos que converte conteúdo não estruturado de arquivos complexos em informações altamente estruturadas, precisas e legíveis por máquina. Ele combina os modelos especializados de reconhecimento óptico de caracteres (OCR, na sigla em inglês) do Google com os recursos de IA generativa do Gemini. Ele entende a estrutura completa do documento, identificando elementos como tabelas, figuras, listas e cabeçalhos, preservando as relações contextuais entre eles, como quais parágrafos pertencem a qual cabeçalho.

Ele foi projetado para resolver um problema crítico para a pesquisa e a geração aumentada de recuperação (RAG, na sigla em inglês): o OCR padrão achata os documentos, destruindo o contexto e a estrutura que adicionam significado valioso, como cabeçalhos, tabelas e listas.

Principais casos de uso

• OCR de documentos:ele pode analisar texto e elementos de layout, como cabeçalho, cabeçalho, rodapé, estrutura de tabela e figuras de documentos PDF.
• Pesquisa e RAG de alta fidelidade:o uso principal é preparar documentos para pipelines de pesquisa e RAG. Ao criar blocos com reconhecimento de contexto, ele melhora muito a qualidade da recuperação e a precisão das respostas geradas.
• Ingestão de dados estruturados: ele pode analisar documentos complexos (como arquivos ou relatórios 10-K) e indexar conteúdo estruturado (como tabelas analisadas ou descrições de imagens) em bancos de dados, conforme demonstrado com o BigQuery.

Como funciona

O analisador de layout do Gemini processa documentos em um pipeline de várias etapas projetado para preservar o significado semântico:

• Analisar e estruturar:o documento é ingerido. Todos os elementos são identificados e organizados em um formato de árvore. Esse campo proto DocumentLayout preserva a hierarquia inerente do documento.
• Anotar e verbalizar: Pré-lançamento Os recursos generativos do Gemini são usados para verbalizar elementos visuais complexos. Figuras, gráficos e tabelas são anotados com descrições textuais detalhadas.
• Blocos e aumento:o documento analisado e as anotações são usados para criar blocos semanticamente coerentes. Esses blocos são aumentados com informações contextuais, como os cabeçalhos ancestrais, para garantir que o significado do bloco seja preservado mesmo quando recuperado isoladamente.

Versões do processador

Os seguintes modelos estão disponíveis para o analisador de layout. Para mudar as versões do modelo, consulte Gerenciar versões do processador.

Para fazer uma Solicitação de Aumento de Cota (QIR, na sigla em inglês) para a cota padrão de processador, siga as etapas em Gerenciar sua cota.

Principais recursos

Nesta documentação, o analisador de layout do Gemini se refere a versões de processador de analisador de layout pré-treinado com base no Gemini, como pretrained-layout-parser-v1.5-2025-08-25 e pretrained-layout-parser-v1.5-pro-2025-08-25. O analisador de layout do Gemini oferece suporte aos seguintes recursos principais.

Análise avançada de tabela

As tabelas em relatórios financeiros ou manuais técnicos são um ponto de falha comum para a RAG. O analisador de layout do Gemini é excelente na extração de dados de tabelas complexas com células mescladas e cabeçalhos complexos.

Exemplo: neste arquivo 10-K da Alphabet, o analisador de um concorrente não consegue alinhar corretamente os cabeçalhos e as células, interpretando mal os dados financeiros. O analisador de layout do Gemini analisa com precisão toda a estrutura da tabela, preservando a integridade dos dados.

Figura 1. A origem desse documento de entrada é "Alphabet 2024 SEC Form 10-K", página 72.

O analisador do concorrente não detecta corretamente o alinhamento de células e colunas e alucina valores.

O analisador de layout do Gemini alinha as colunas corretamente e fornece valores precisos.