Affinda 借助 Amazon Bedrock 重新定义文档人工智能规则

处理大量文档的企业正采用基于人工智能的工具，以快速、精准地提取关键信息。Affinda 通过智能文档处理软件满足这一需求，该软件可自动从纸质文档中提取信息。该公司最初依赖传统的机器学习（ML）模型，这类模型需要大量技术配置和数据标注，导致整个流程对 Affinda 及其客户而言既耗时又复杂。

Affinda 人工智能负责人 Andrew Bird 解释道：“我们曾使用开源模型，并针对特定文档类型和架构对其进行微调，而这需要投入大量工程资源。即便我们最终为客户推出了自助式模型，客户仍需自行准备训练数据集。” 为克服这些挑战并更快实现高准确率，Affinda 将重心转向了生成式人工智能技术。

Affinda 此前已使用 Amazon SageMaker 支持其机器学习模型，此后又通过 AWS 生成式人工智能技术拓展了方案，采用基于 Amazon Bedrock 的大语言模型（LLM），这些模型由 Claude Sonnet 3.5 V2、Claude 3.7 Sonnet 和 Claude Sonnet 4 提供支持。“AWS 是我们首选的云服务提供商，而 Amazon SageMaker 和 Amazon Bedrock 等技术让我们在数据主权、区域数据处理以及与现有 AWS 环境的无缝集成方面更有信心。”Bird 表示。

该公司在 Amazon Elastic Kubernetes Service（Amazon EKS）上运行 Kubernetes 集群，底层采用 Amazon Elastic Compute Cloud（Amazon EC2），并在 Amazon SageMaker 上训练数百个定制模型。Affinda 还使用 AWS CloudFormation 实现全技术栈的基础设施管理自动化。

Affinda 在新的生成式人工智能环境上重构了其人工智能文档处理解决方案，并于 2024 年末向客户推出。该设置支持由客户操作触发的异步推理，并采用传统人工智能模型与生成式人工智能模型相结合的混合方案。“我们最初针对一个特定客户使用案例展开尝试，该案例要求模型能基于用户输入更快速、动态地学习。”Bird 表示，“这次成功让我们决定围绕这一新范式重构整个应用，不再依赖经过微调的模型。”

Affinda 在为新的使用案例减少前期工程投入的同时，仍保持了高数据准确率。“借助 Amazon Bedrock，对特定模型训练数据的需求大幅降低。因此，我们发现新文档提取使用案例的配置时间缩短了 90%。”Bird 表示，“如今，只需提供少量符合场景的示例，在上下文窗口中向 LLM 说明问题即可。” Affinda 还通过自然语言说明简化了模型修正流程，降低了工程成本。“工程师甚至无需参与其中。”Bird 解释道，“我们的产品团队或实施团队成员即可独立完成操作。”

该公司称，其产品交付团队在推出定制使用案例所需的人力和资源方面，实现了 90% 的成本节约。如今，该平台支持客户自助操作，几分钟内即可自行配置新的数据提取模型，而这项任务此前需 Affinda 内部团队耗时数周甚至数月。

通过降低使用门槛，Affinda 让各行业、各使用案例场景下的企业都能使用智能文档处理技术。这种方案帮助 Affinda 的客户缩短了价值实现时间，提高了投资回报率。同时，客户还能从即时学习和自适应能力中获益，这不仅提高了准确率，还支持大规模直通处理。

目前，Affinda 正通过开发智能体来提升其 AI 能力，这些智能体可模拟经验丰富的数据录入专员，能检测异常、通过内部系统追踪答案、向相关人员提出针对性问题，并交付已解决的结果。“对我们而言，紧跟人工智能技术前沿至关重要。”Bird 表示,“借助 AWS，我们能够实现这一目标。”