azure-document-intelligence

azure-document-intelligence — справочный скилл для разработки и эксплуатации решений на Azure AI Document Intelligence. Он охватывает диагностику, практики обучения, выбор модели, ограничения сервиса, безопасность, конфигурацию, интеграции и развёртывание. Материал предназначен для задач распознавания документов и работы с результатами анализа, а также для обучения пользовательских моделей, компоновки моделей, вызова REST/SDK API, запуска контейнеров и планирования перехода на версию 4.0. Скилл отдельно предупреждает, что Azure AI Search, Azure AI Custom Vision, Azure AI Language и Azure AI Video Indexer относятся к другим скиллам. Для поиска ответа используется индекс категорий. В разделе troubleshooting собраны ссылки на диагностику задержек, расшифровку кодов ошибок API и известные проблемы сервиса. В best practices входят рекомендации по повышению accuracy и confidence, обучение пользовательских классификаторов и моделей документов, создание и композиция custom models, аккуратная разметка в Document Intelligence Studio и управление жизненным циклом моделей. Это полезно, когда нужно не только вызвать готовый анализ, но и выстроить цикл данных, обучения, оценки и последующего управления моделью. Раздел decision making помогает выбрать подходящую модель Document Intelligence, оценить использование и стоимость, а также спланировать миграцию к v4.0. В limits & quotas собраны ссылки на capacity add-ons, теги образов контейнеров, поддержку языков и локалей для OCR и пользовательских моделей, пакетный анализ и сервисные квоты. Поэтому перед массовой обработкой следует сверять целевой сценарий с актуальными квотами, поддержкой языков и выбранным способом размещения, а не считать возможности разных моделей взаимозаменяемыми. В security рассматриваются SAS-токены для хранилища, шифрование данных при хранении с customer-managed keys, managed identities и VNET. В configuration описаны контейнеры и совместная работа с проектами Document Intelligence Studio. Интеграционный раздел связывает REST и SDK-вызовы с объектами ответа AnalyzeDocument, Markdown-выводом, Azure Functions и Logic Apps; там же есть ссылки на sample labeling tool. Раздел deployment охватывает установку контейнеров, автономные или disconnected-сценарии, SDK/REST quickstart, disaster recovery и развёртывание sample labeling tool. Скилл не обещает один универсальный рецепт: конкретное решение зависит от типа документа, выбранной модели, языка, способа размещения, требований к данным и объёма обработки. Практический маршрут — сначала определить категорию задачи, затем открыть первичную документацию из индекса, проверить view и версию страницы Microsoft Learn, сопоставить требования безопасности и квоты, после чего реализовать вызов или обучение и проверить ответ на реальных примерах. Репозиторий помечает материал generated_at 2026-07-12, поэтому при длительном проекте нужно повторно сверять документацию после обновлений API или контейнеров. Источник ориентирован на проверяемые ссылки Microsoft Learn и помогает быстро перейти от общей задачи к официальной инструкции, не подменяя её непроверенными примерами.