Amazon Textract で自動化するドキュメント処理 - OCR からフォーム / テーブル抽出まで
OCR を超えたフォーム / テーブルの構造認識で、請求書 / 領収書 / 身分証明書からデータを自動抽出する。A2I による人間レビューの統合も紹介します。
Textract の API 体系
Textract は機械学習ベースのドキュメント分析サービスで、テキストに加えて、フォームやテーブルの構造化データも抽出します。DetectDocumentText は基本的な OCR 機能で、画像や PDF からテキストを行 / ワード単位で抽出します。AnalyzeDocument はフォーム (キー・バリューペア) とテーブル (行列構造) を認識する分析の機能です。例えば、申込書の「氏名: 山田太郎」からキー「氏名」とバリュー「山田太郎」を自動的にペアリングします。AnalyzeExpense は請求書 / 領収書に特化した API で、ベンダー名、請求日、合計金額、税額、明細行を構造化データとして抽出します。AnalyzeID は、米国政府が発行した運転免許証やパスポートなどから氏名、生年月日、住所などの情報を抽出します。
大量ドキュメントの非同期処理
同期 API は単一ページの画像に対応しますが、複数ページの PDF や大量のドキュメントを処理する場合は非同期 API を使用します。StartDocumentTextDetection や StartDocumentAnalysis で処理を開始し、SNS トピックに完了通知が送信されます。Lambda 関数で通知を受け取り、GetDocumentTextDetection や GetDocumentAnalysis で結果を取得するイベント駆動の構成がよく使われます。S3 へのドキュメントアップロードをトリガーに Lambda で Textract を呼び出し、抽出結果を DynamoDB に格納するパイプラインを構築することで、ドキュメント処理を自動化できます。
精度向上と人間によるレビュー
Textract の抽出結果には各フィールドに信頼度スコア (0-100%) が付与されます。信頼度が閾値を下回る結果に対しては、Amazon Augmented AI (A2I) を使用して人間のレビューワークフローにルーティングできます。レビュー担当者は A2I のコンソールで元のドキュメントと抽出結果を並べて確認し、修正を加えます。修正の結果は、後の処理の見直しに使えます。 Textract のクエリ機能を使用すると、自然言語で質問 (例: 「患者の名前は?」) を指定してドキュメントから特定の情報を抽出でき、フォーム構造が不定のドキュメントにも対応できます。
Textract の料金
Textract の料金は API ごとの従量課金です。DetectDocumentText (OCR) は 1 ページあたり約 0.0015 ドル、AnalyzeDocument (フォーム / テーブル) は約 0.015 ドル、AnalyzeExpense (請求書) は約 0.01 ドル、AnalyzeID (身分証明書) は約 0.01 ドルです (2026 年 8 月時点)。Queries 機能は 1 ページあたり約 0.015 ドルに 1 クエリあたり約 0.005 ドルが加算されます。大量のドキュメントを処理する場合、まず DetectDocumentText で OCR を実行し、構造化データの抽出が必要なページのみ AnalyzeDocument を適用する 2 段階の処理で費用を抑えられます。
身分証明書処理と本人確認
AnalyzeID は、米国政府が発行した運転免許証やパスポートなどの身分証明書から、氏名 / 生年月日 / 住所 / 有効期限などを構造化して取り出します。口座開設や会員登録の本人確認 (KYC) で、利用者が撮影した証明書から自動で情報を読み取り、入力フォームへ反映する用途に向きます。手入力の手間とミスを減らし、登録体験をなめらかにできます。ただし、扱うのは機微な個人情報であるため、取得目的の明示、保管期間の管理、アクセス制御を徹底し、必要がなくなったデータは確実に削除する運用が前提になります。
Comprehend との連携による意味理解
Textract は文字や構造を取り出すところまでを担い、その内容の意味を解釈するには Comprehend との組み合わせが有効です。抽出したテキストを Comprehend に渡せば、人名 / 組織名 / 日付といった固有表現の抽出、文書の分類、感情の判定などが行えます。さらに、文書中の個人情報を検出して伏せ字にする処理を加えれば、保管や共有の前に機微な情報を保護できます。文字の抽出と意味の理解を役割分担させることで、内容に基づく自動処理のパイプラインを組めます。
座標情報を活かした検証とハイライト
Textract の結果には、抽出した各要素がページ上のどこにあるかを示す座標情報 (バウンディングボックス) が含まれます。これを使うと、元のドキュメント画像の上に抽出箇所を重ねて表示し、レビュー担当者がどの部分から値を読み取ったかを確かめやすくなります。位置情報を手がかりに、特定の領域に書かれた値だけを採用するといった精緻な抽出ルールも組めます。抽出結果と原本を視覚的に対応づけられるため、確認の作業や、誤抽出の発見と修正を進めやすくなります。
セキュリティとコンプライアンス
業務文書には、個人情報や機密情報が含まれることが多いため、処理基盤のセキュリティ設計が重要です。保存するドキュメントと抽出結果は暗号化し、アクセスは IAM で最小権限に絞ります。インターネットを経由させたくない場合は、VPC エンドポイント経由で Textract を呼び出し、通信を閉域に保てます。処理の各段階で誰が何にアクセスしたかを記録し、監査できるようにします。データの保持期間を定め、不要になった原本や抽出結果を確実に削除する仕組みを設けると、コンプライアンスの要件に沿った文書処理を進めやすくなります。
まとめ
Textract は、ドキュメントの構造を踏まえてデータを抽出するサービスです。フォーム、テーブル、請求書、身分証明書など、ドキュメントの種類に応じた専用 API を提供し、手入力の作業を減らす助けになります。A2I との統合で人間のレビューを組み込めば、精度が求められる業務の流れにも使えます。
参考資料 (AWS 公式)
本ページの一次情報は AWS 公式サイトと公式ドキュメントです。最新の仕様と料金は次の公式ページで確認できます。
本ページと公式ドキュメントの記述が食い違う場合は、公式ドキュメントを正としてください。