AWS показала обработку документов с повторным использованием инструкций ИИ

Что объявлено: инструкции вместо постоянной настройки шаблонов

В публикации AWS описана система на Amazon Bedrock AgentCore, где восемь специализированных агентов работают в двух графовых процессах. Они определяют тип документа и отправителя, извлекают сведения, проверяют их и используют накопленные инструкции при последующих обращениях.

Сначала система получает текст через Amazon Textract и ищет похожие документы в S3 Vectors. Если подходящего примера нет, запускается подготовка инструкций: агент формирует запросы для извлечения, другой получает структурированные данные, а проверяющий сопоставляет результат со схемой и бизнес-правилами.

При неудачной проверке отдельный агент уточняет инструкции и запускает повторную попытку. Успешный вариант сохраняется. Для знакомого формата система пропускает создание инструкций и сразу использует существующие, после чего снова проверяет извлечённые сведения.

Разница между маршрутами существенна: при ошибке в знакомом формате агент исправляет извлечённые данные, не меняя инструкции. Поэтому описанное самоулучшение нельзя понимать как автоматическое обновление всех правил после каждого исправления. Сохранение уточнённых запросов происходит в процессе подготовки нового формата.

В демонстрации AWS первый заказ обрабатывался 3 минуты 49 секунд, следующий документ знакомого типа — 1 минуту 30 секунд. Это результаты приведённых примеров, а не норматив скорости для произвольного потока документов.

Бизнес-сценарий: проверяемый поток заказов

Редакционное предложение ИИшников — рассмотреть такой подход для обработки заказов от контрагентов с разной вёрсткой документов. Начальный сценарий лучше ограничить извлечением согласованных полей и проверкой по справочникам, не приравнивая технически успешную обработку к разрешению на дальнейшее исполнение.

Например, команда может определить обязательные сведения о поставщике, товарах, количестве и суммах. Далее потребуется описать, какие значения берутся непосредственно из документа, а какие допускается выводить из контекста. Такое разделение предусмотрено рекомендациями AWS по созданию схем.

В этой редакционной модели сотрудник разбирает спорные результаты, а не перепроверяет процесс только по признаку завершения задания. Для обсуждения пригодности решения полезно отдельно смотреть на извлечение текста, сопоставление товара со справочником и соблюдение внутренних правил.

Связь с корпоративными данными в примере AWS организуется через инструменты и MCP-серверы. Возможную интеграцию результатов с ERP, CRM или системами управления контентом компания предлагает изучить отдельно. Публикация не подтверждает готовность такой интеграции для конкретной организации.

Ограничения и контроль: что не делает автоматика

Исходный пример использует синтетические данные велосипедной компании, готовую JSON-схему заказа и проверку по демонстрационным записям товаров и поставщиков. Для своих документов AWS прямо требует заменить схемы и логику валидации, а также адаптировать запросы, содержащие терминологию заказов.

Следовательно, отсутствие ручных шаблонов не означает отсутствие настройки. Новый тип документов требует собственной схемы и функции проверки. Автоматизация работает внутри заданных требований: она не освобождает компанию от определения обязательных полей и допустимых преобразований.

AWS рекомендует обучать обработку на 5–10 документах каждого типа, включая варианты с нестандартной вёрсткой. Для наблюдения за маршрутами выполнения, узкими местами и качеством извлечения предлагаются AgentCore Observability и CloudWatch. Для фильтрации содержимого и проверки обоснованности ответов — Amazon Bedrock Guardrails.

Редакционная рекомендация — отдельно согласовать преобразования значений. Если система меняет представление артикула ради внутреннего формата, проверять следует не только соответствие записи шаблону, но и её смысловую связь с товаром. Формально допустимое значение само по себе не доказывает правильность сопоставления.

Экономический ориентир AWS также ограничен условиями: около 58 долларов в месяц для 10 обучающих и 1000 обрабатываемых документов в US East (N. Virginia). По оценке компании, примерно 85 процентов стоимости приходится на обращения к моделям; фактические расходы зависят от их выбора.

Практический чек-лист: что подготовить перед пилотом

Ниже — редакционный порядок проверки применимости, а не дополнительное обещание AWS. Его задача — отделить работоспособность демонстрации от пригодности процесса для ваших документов и требований к контролю.

• Выберите один тип документов и соберите примеры разных форматов, включая сложные случаи. Зафиксируйте ожидаемые результаты извлечения.
• Опишите поля, типы данных и допустимость вывода из контекста. Согласуйте правила преобразования значений с ответственными за справочники.
• Подключите проверку к собственным данным о поставщиках и товарах. Определите, какие ошибки требуют разбора сотрудником.
• Проверьте отдельно новый и знакомый формат: сохранение инструкций, повторное использование и поведение при неудачной валидации.
• Сопоставьте качество, длительность обработки и расходы на выбранных моделях. До удаления инфраструктуры экспортируйте нужные данные: процедура очистки удаляет также историю заданий и сохранённые инструкции.

Практический вывод: оценивать стоит не самостоятельность агентов как таковую, а устойчивость всей цепочки от документа до проверенных данных. Подход AWS даёт основу для повторного использования опыта обработки; границы допустимой автоматизации остаются предметом решения бизнеса.

Сцена по теме: Обработка деловых документов →