Melhorias no ai_parse_document para assinaturas e layouts

A função ai_parse_document agora conta com melhorias para detectar regiões de assinatura de forma isolada e reconhecer layouts de documentos não estruturados com maior precisão.

Para que serve

Imagine que você tem contratos ou faturas digitalizadas e precisa extrair blocos específicos de conteúdo, incluindo a validação de campos assinados.

• Detectar seções de assinatura em arquivos PDF ou imagens.
• Extrair elementos estruturados de layouts complexos.
• Salvar imagens de páginas renderizadas em volumes do Unity Catalog.

Como usar

Você pode chamar a função diretamente passando o conteúdo binário do documento em uma consulta SQL.

SELECT
  path,
  ai_parse_document(
    content,
    map(
      'version', '2.0',
      'imageOutputPath', '/Volumes/catalog/schema/volume/directory/'
    )
  ) AS parsed
FROM my_catalog.my_schema.documents;

O que acontece nesse código:

1. A função READ_FILES ou a tabela de origem fornece o conteúdo em formato binário.
2. A função ai_parse_document processa o arquivo usando a versão 2.0 do esquema.
3. O parâmetro imageOutputPath salva as páginas renderizadas no volume do Unity Catalog especificado.
4. O resultado estruturado é retornado como um tipo VARIANT contendo os elementos detectados, como texto, tabelas e assinaturas.

Limitações e requisitos

• Requer Databricks Runtime 17.3 ou superior.
• Suporta arquivos nos formatos PDF, JPG/JPEG, PNG, TIFF/TIF, DOC/DOCX e PPT/PPTX.
• Limite de 500 páginas por documento quando o parâmetro pageRange não é utilizado.