O Document AI é uma ferramenta que extrai significado de dados não estruturados em documentos e os transforma em dados estruturados. Já o BigQuery é um repositório de dados que pode lidar com dados estruturados e não estruturados, incluindo documentos. Além disso, o BigQuery Machine Learning atua como uma ponte entre o BigQuery e o Document AI, permitindo que os usuários invoquem as capacidades do Document AI diretamente no BigQuery usando sintaxe SQL familiar.
A integração entre o Document AI e o BigQuery permite que os usuários extraiam insights valiosos de documentos não estruturados e os transformem em dados estruturados, tornando mais fácil a análise e consumo. Além disso, a análise de documentos pode ser feita rapidamente e de forma eficiente com o BigQuery, sem exigir experiência avançada em AI.
Para Demonstrar isso, o video apresenta um exemplo prático de como parsear documentos usando o Document AI e integrá-los com o BigQuery. Os passos incluem:
* Selecionar o parser de nota fiscal do Document AI;
* Criar uma conexão de recurso de nuvem no BigQuery para acessar os documentos PDF armazenados no Cloud Storage e invocar trabalhos do Document AI;
* Criar um modelo no BigQuery com variáveis necessárias, incluindo a conexão de recurso de nuvem e a localização, ID e versão do processador do Document AI;
* Criar uma tabela objeto no BigQuery que fornece uma interface estruturada para os documentos PDF;
* Usar a função ML.processDocument para parsear os documentos PDF em dados estruturados;
* Consultar a tabela contendo os dados extraídos, que pode ser utilizado para análise, como juntar com outras tabelas ou realizar agregações.
Em resumo, a integração do Document AI com o BigQuery torna mais fácil extrair insights valiosos de documentos não estruturados e transformá-los em dados estruturados, tornando mais eficiente a análise e consumo.