Azure Document Intelligenceの全て：OCR精度、モデル、料金体系を網羅

はい、承知いたしました。Azure Document IntelligenceのOCR精度、モデル、料金体系について、詳細な説明を含む約5000語の記事を作成します。

Azure Document Intelligenceの全て：OCR精度、モデル、料金体系を網羅

はじめに

現代のビジネスにおいて、文書は情報の宝庫です。契約書、請求書、申請書、レポート、手紙など、日々膨大な量の文書が行き交い、その中から必要な情報を抽出し、活用することが業務効率化や意思決定の鍵となります。しかし、これらの文書の多くは紙媒体や画像データとして存在しており、その情報を手作業でデータ化することは、時間、コスト、そして人的ミスといった課題を伴います。

このような課題を解決するために、AIを活用した文書処理サービスが登場しました。Microsoft Azureが提供する「Azure Document Intelligence」は、この分野における最先端のサービスの一つです。以前は「Form Recognizer」という名称で提供されていましたが、v3.0のリリースに合わせて「Document Intelligence」へと名称が変更され、単なるフォーム認識を超えた、より広範で高度な文書理解能力を持つサービスへと進化しました。

Azure Document Intelligenceは、光学文字認識（OCR）を基盤としつつ、さらに進んだ機械学習モデルを活用して、文書の構造、レイアウト、そして意味を理解し、必要な情報を正確に抽出します。これにより、文書処理の自動化、データ入力作業の削減、情報活用の迅速化など、多岐にわたるメリットを享受できます。

この記事では、Azure Document Intelligenceの核心に迫り、その主要な構成要素である「OCR精度」、「提供されるモデル（機能）」、そして利用にあたって重要な「料金体系」について、約5000語にわたり詳細に解説します。デジタルトランスフォーメーションを推進する上で、文書処理の自動化を検討されている方、あるいはAzure Document Intelligenceの導入を検討されている方にとって、包括的なガイドとなることを目指します。

第1部：Azure Document Intelligenceの核となる技術 – OCR精度

Azure Document Intelligenceは、単なる文字認識ツールではありませんが、その機能の中核には高性能なOCR技術が不可欠です。OCR（Optical Character Recognition：光学文字認識）は、画像化された文字情報をコンピュータが認識できるテキストデータに変換する技術です。Document Intelligenceは、このOCR技術を基盤とし、さらにその上のレイヤーで文書の構造や意味を理解するための高度なAIモデルを動作させています。

Document IntelligenceにおけるOCRの位置づけ

Document IntelligenceにおけるOCRは、単に文字を読み取るだけでなく、文書全体の構造を理解するための最初のステップです。読み取られたテキストは、単語、行、段落として組織化され、それぞれが元の画像上の位置情報（境界ボックス）とともに保持されます。この位置情報と構造情報が、後続のモデルがキーと値のペア、テーブル、選択マークなどの要素を正確に抽出するための基盤となります。

つまり、Document IntelligenceのOCRは、以下の役割を果たします。

文字のデジタル化: 画像中の活字や手書き文字をテキストデータに変換する。
位置情報の提供: 各文字、単語、行、段落が画像上のどこにあるかを特定する。
基本的な構造要素の識別: 行、段落、読み取り順序などの基本的な構造を把握する。
後続モデルへの入力: 抽出されたテキストと位置情報を、キーと値のペア抽出、テーブル抽出、エンティティ認識などの高度なモデルへの入力として提供する。

OCRの精度が低いと、その後のすべての処理に悪影響が出ます。間違った文字認識は、抽出される情報の誤りにつながり、自動化率の低下や後工程での手作業での修正を必要とします。したがって、Document Intelligenceの全体的なパフォーマンスは、その基盤となるOCR技術の精度に大きく依存しています。

MicrosoftのOCR技術の進化と強み

Microsoftは長年にわたりOCR技術の研究開発に取り組んでおり、その成果はAzure Cognitive ServicesのText AnalyticsやComputer Visionなど、他のサービスにも活かされています。Document Intelligenceに採用されているOCR技術は、これらの成果を統合・発展させたものであり、以下のような強みを持っています。

高精度な活字認識: 清潔な活字文書に対しては非常に高い精度を発揮します。
手書き文字認識: 比較的新しいバージョンでは、手書き文字の認識精度も向上しており、ビジネス文書によく見られる署名や手書きの追記なども認識可能です。
多言語対応: 世界中の様々な言語のテキストを認識できます。ビジネス文書は多言語で作成されることも多いため、この多言語対応は大きな強みです。
複雑なレイアウトへの対応: 複数列のテキスト、画像や図が混在する文書、回転したテキストなど、複雑なレイアウトの文書にも対応できます。
構造理解との連携: 単なる文字認識だけでなく、行、段落、読み取り順序などを考慮した構造的な認識を行います。
継続的な改善: Microsoftは継続的にモデルの改善を行っており、精度は日々向上しています。

Document IntelligenceのOCR精度に影響を与える要因

Document IntelligenceのOCR精度は、入力される文書の画像品質や特性に大きく影響されます。主な要因は以下の通りです。

画像品質:
- 解像度: 解像度が低い画像は、文字のエッジが不鮮明になり、認識精度が低下します。一般的に、最低でも300 DPI程度の解像度が推奨されます。
- ノイズ: スキャン時の汚れ、紙の劣化によるシミ、画像の圧縮ノイズなどは、文字を誤認識させる原因となります。
- コントラスト: 文字と背景のコントラストが低いと、文字の境界が不明確になり、認識が難しくなります。
- 照明: 不均一な照明や影は、画像の一部を暗くしたり明るくしたりし、認識精度に影響を与えます。
- 傾きと歪み: スキャン時や写真撮影時の傾きや歪みは、単語や行の認識を妨げたり、文字の形を崩したりします。
フォント、手書き文字、特殊文字:
- フォントの種類とサイズ: 装飾的なフォントや非常に小さなフォントは、標準的なフォントに比べて認識が難しくなる場合があります。
- 手書き文字の質: 手書き文字の認識精度は、書き手の癖、文字の崩れ具合、筆圧などによって大きく変動します。
- 特殊文字と記号: 数式、化学記号、特殊な図形などは、標準的な文字に比べて認識が難しい場合があります。
背景、レイアウト:
- 複雑な背景: 写真や模様など、文字以外の要素が複雑に絡み合う背景は、文字と背景の区別を難しくします。
- 混み合ったレイアウト: 文字が密集している、文字の上に別の要素が重なっている、複数の言語が混在しているなどのレイアウトは、認識を複雑にします。
- テーブルや図: テーブル内の文字、図の中の文字など、特定の構造内にある文字の認識は、その構造を正しく理解できるかに依存します。
言語:
- Document Intelligenceは多言語に対応していますが、言語によって認識精度に差が生じる場合があります。特に、複雑なスクリプトを持つ言語や、トレーニングデータが少ない言語では、精度が若干低くなる可能性があります。

Document IntelligenceのOCR機能の詳細

Document Intelligenceが提供するOCR関連の機能は、単にテキストを抽出するだけでなく、より構造的な情報を提供します。

テキスト抽出（活字・手書き）:
- 文書全体または指定されたページ範囲から、活字テキストと手書きテキストの両方を抽出します。
- 各抽出されたテキスト要素（単語、行）に対して、元の画像上の境界ボックス（Polygon）情報を提供します。これにより、テキストが文書のどの位置にあるかを正確に把握できます。
- 信頼度スコア（Confidence Score）も提供され、各テキスト要素の認識の確実性を判断できます。
言語サポート:
- Document Intelligenceは、主要な言語を含む多くの言語に対応しています。対応言語の最新リストは公式ドキュメントで確認できます。
- 単一文書内の多言語テキストも認識可能です。
レイアウト分析:
- OCRで抽出されたテキストだけでなく、文書の物理的なレイアウト構造も分析します。
- 行と単語: 各行とその中に含まれる単語を識別し、それぞれの境界ボックスと読み取り順序を提供します。
- 段落: 関連する行をまとめて段落として識別します。
- テーブル: 文書内のテーブル構造を検出し、行と列に整理されたセル内のテキストを抽出します。セルの結合なども認識できます。テーブル抽出は、特に構造化・半構造化文書からのデータ抽出において非常に重要な機能です。
- 選択マーク: チェックボックスやラジオボタンなどの選択マークを検出し、それが「選択されているか」「選択されていないか」の状態を判断します。
- 読み取り順序: 文書内のテキストブロック（段落、テーブルセルなど）の論理的な読み取り順序を推測します。これにより、文書を自然な流れで読解できます。
キーと値のペア抽出（Layout Model, General Document Model）:
- OCRで認識されたテキストとレイアウト分析の結果を組み合わせて、文書内で「キー」（ラベル、質問など）と「値」（対応する入力、回答など）のペアを識別・抽出します。
- 例えば、「Invoice Number: 12345」というテキストから、「キー：Invoice Number」、「値：12345」を抽出します。
- この機能は、フォームや請求書などの半構造化文書から特定のフィールドの値を抽出するのに非常に役立ちます。

精度の評価方法と向上策

Document Intelligenceの導入にあたっては、対象となる文書に対するOCR精度を評価し、必要に応じて精度向上のための対策を講じることが重要です。

精度の評価方法:

Document Intelligence Studioでのテスト: 最も簡単で視覚的な方法です。Studioに文書画像をアップロードし、実行結果として表示されるテキスト、テーブル、キーと値のペアなどが正しく抽出されているかを確認します。抽出されたテキストの境界ボックスを確認することで、OCRが正しく動作しているかを視覚的に判断できます。
評価指標: より定量的な評価には、以下のような指標が用いられます。
- 文字精度（Character Accuracy）: 抽出された文字の総数のうち、正しく認識された文字の割合。
- 単語精度（Word Accuracy）: 抽出された単語の総数のうち、正しく認識された単語の割合。
- フィールド精度（Field Accuracy）: 特定の抽出フィールド（例：請求書番号）が正しく認識された割合。
- 完全一致率（Exact Match）: 抽出されたデータセット全体が期待される結果と完全に一致した割合。
- F1スコア: 特にテーブルやキーと値のペア抽出など、構造的な要素の抽出精度を評価する際に用いられます。

精度向上策:

画像の前処理:
- 解像度向上: 可能であれば、より高解像度でスキャンまたは撮影します。
- ノイズ除去: 画像処理ツールを用いてノイズや汚れを除去します。
- 傾き補正: 文書の傾きを自動または手動で補正します。
- コントラスト調整: 文字と背景のコントラストを明確にするように画像を調整します。
- トリミング: 文書領域以外の不要な部分（スキャン時の黒枠など）を削除します。
後処理:
- 辞書照合: 特定のフィールド（例：会社名、商品名）に対して、あらかじめ用意された辞書と照合し、誤認識を訂正します。
- 正規表現: 抽出されたテキストに対して正規表現を適用し、フォーマットを統一したり、特定のパターンに一致しないものを検出したりします。
- 検証ルール: 日付フォーマット、数値範囲など、特定のルールに基づいて抽出されたデータの妥当性を検証します。
カスタムモデルの利用:
- 特定の文書形式に対して標準のReady-madeモデルの精度が十分でない場合、カスタムモデルをトレーニングすることで精度を大幅に向上させることができます。カスタムモデルは、対象の文書形式のレイアウトやフィールドをAIに学習させるため、その文書に特化した高精度な抽出が可能になります。カスタムモデルについては、第2部で詳しく解説します。

OCR精度がビジネスにもたらす影響

OCR精度は、Document Intelligenceを活用した文書処理自動化システムの成否に直結します。

自動化率: OCR精度が高いほど、人間による修正や確認が不要な「完全に自動化できる文書」の割合が増加します。これにより、全体の自動化率が向上し、手作業にかかる時間を削減できます。
エラー削減: OCR誤認識は、データ入力の誤りにつながります。精度が高いOCRは、このようなエラーを減らし、後工程での手戻りや損害を防止します。
コスト削減: 自動化率の向上とエラー削減は、結果として人件費や修正コストの削減につながります。
処理速度: 高精度なOCRは、迅速な処理を可能にし、文書からの情報抽出リードタイムを短縮します。

したがって、Document Intelligenceの導入においては、対象文書の種類と特性をよく理解し、期待されるOCR精度を評価した上で、必要に応じて前処理、後処理、またはカスタムモデルの利用を検討することが重要です。

第2部：Azure Document Intelligenceが提供するモデル（機能）の詳細

Azure Document Intelligenceの最大の強みは、基盤となる高性能OCRに加え、文書の種類や目的に応じた多様なAIモデルを提供している点です。これらのモデルは、文書から構造化された情報をインテリジェントに抽出するために設計されています。

モデルは大きく分けて「Ready-made Models（既成モデル）」と「Custom Models（カスタムモデル）」の2種類があります。

Ready-made Models（既成モデル）

これらのモデルは、Microsoftが事前にトレーニングしており、特定の種類の文書から情報を抽出するためにすぐに利用できます。追加のトレーニングデータやラベリングは不要です。APIを呼び出すだけで、定義されたフィールドの値を抽出できます。

主要なReady-madeモデルは以下の通りです。

General Document Model (汎用文書モデル):
- v3.0で導入された新しいモデルで、以前のLayout Modelと統合され、さらに機能が拡張されました。
- 機能:
  - テキスト抽出: 文書全体から活字および手書きテキストを抽出します。
  - レイアウト分析: 行、単語、段落、テーブル、選択マーク、読み取り順序を識別します。
  - キーと値のペア抽出: 文書全体から一般的なキーと値のペアを抽出します。これは特定のフォームに限定されず、自由記述の文書からも関連性の高いキーと値を推測して抽出します。
  - エンティティ抽出: 文書内の特定のエンティティ（例：人名、組織名、日付、住所、通貨、数量など）を識別します。（プレビュー機能の場合あり）
- 利用シナリオ:
  - 特定のテンプレートを持たない一般的な文書（レポート、書籍、手紙、記事など）からの情報抽出。
  - 文書の全体的な内容把握や構造分析。
  - 後続のカスタムモデル開発のための初期分析。
- 特徴: 汎用性が高く、幅広い種類の文書に適用できます。追加学習なしで利用できるため、PoC（概念実証）や多様な文書を扱う場合に便利です。
Layout Model (レイアウトモデル):
- v3.0より前のForm Recognizer v2.1で主要なモデルでしたが、v3.0ではGeneral Document Modelに統合されました。しかし、Layout Modelという名称で以前の機能にアクセスすることも可能です（APIバージョンによる）。ここでは、Layout Modelの主な機能として、特にテキスト、テーブル、選択マークの抽出に焦点を当てて説明します。
- 機能:
  - テキスト抽出: 活字および手書きテキストを抽出します。
  - レイアウト分析: 行、単語、段落、テーブル、選択マーク、読み取り順序を識別します。
- 利用シナリオ:
  - 文書のテキストコンテンツと構造（特にテーブル）を正確に抽出したい場合。
  - 抽出したレイアウト情報（境界ボックスなど）を後続処理で利用する場合。
  - 特定のフォームからのデータ抽出ではなく、文書全体のテキストやテーブルを効率的に取得したい場合。
- 特徴: 文書の物理的な構造を正確に把握するのに特化しています。General Document Modelの一部として提供されるようになりましたが、その中核機能は引き続き重要です。
Specific Document Models (特定の文書タイプ向けモデル):
- これらのモデルは、特定の種類のビジネス文書から事前に定義されたフィールドを抽出するために特別にトレーニングされています。業界標準や一般的なテンプレートに基づいて設計されています。
- Invoice Model (請求書モデル):
  - 抽出項目: 請求書番号、顧客名、顧客住所、サプライヤー名、サプライヤー住所、請求日、支払期限、品目明細（項目名、数量、単価、金額など）、小計、税金、合計金額、通貨、支払い情報など、請求書に一般的に記載される様々なフィールドを抽出します。
  - 利用シナリオ: 請求書処理の自動化、財務システムへのデータ入力。
  - 特徴: 標準的な請求書フォーマット（様々なレイアウトに対応）に特化しており、高い精度で必要なフィールドを抽出できます。手書きの請求書には対応しない場合があります。
- Receipt Model (レシートモデル):
  - 抽出項目: 店舗名、店舗住所、電話番号、日付、時間、品目明細（品目名、数量、単価、金額）、小計、税金、合計金額、支払い方法、チップ金額など、小売店のレシートに記載される一般的な情報を抽出します。
  - 利用シナリオ: 経費精算システムとの連携、レシート管理アプリ。
  - 特徴: 様々なレイアウトや書式のレシートに対応するように設計されています。
- Identity Document Model (ID文書モデル):
  - 抽出項目: パスポートや運転免許証などのID文書から、氏名、生年月日、性別、国籍、発行機関、文書番号、発行日、有効期限、機械読取可能ゾーン（MRZ）など、身元情報に関するフィールドを抽出します。
  - 利用シナリオ: 本人確認（KYC: Know Your Customer）、チェックイン手続き、顧客登録。
  - 特徴: 世界各国の様々なID文書フォーマットに対応しており、セキュリティ性の高い情報抽出に適しています。
- Health Insurance Card Model (健康保険証モデル):
  - 抽出項目: 米国の健康保険証に特化しており、被保険者名、保険者番号、グループ番号、有効期限などの情報を抽出します。（日本の健康保険証には直接対応していません。日本の文書に対応するにはカスタムモデルが必要になる可能性があります）
  - 利用シナリオ: 米国の医療機関での受付、保険資格確認。
  - 特徴: 特定の国・特定の文書タイプに特化しています。
- W-2 Tax Form Model (W-2 税務申告書モデル):
  - 抽出項目: 米国のW-2税務申告書から、賃金、源泉徴収税額、雇用者情報、従業員情報など、税務申告に必要な情報を抽出します。
  - 利用シナario: 米国での税務処理の自動化。
  - 特徴: 米国固有の複雑な税務フォームに対応しています。
- Other Ready-made Models: Microsoftは、今後も様々な種類の文書に対応するReady-madeモデルを追加していく可能性があります。例えば、リース契約、保険証券、ワクチン接種証明書などが検討されることがあります。

各Ready-madeモデルは、対応する文書タイプに対して高い精度で定義されたフィールドを抽出できるように最適化されています。利用者はAPIを呼び出すだけで、これらのモデルの機能を利用できます。

Custom Models（カスタムモデル）

Ready-madeモデルが対応していない特定の文書形式（例：自社独自のフォーム、業界特有の証明書、特殊な契約書など）から情報を抽出したい場合に利用するのがカスタムモデルです。カスタムモデルは、ユーザー自身が対象となる文書サンプルを提供し、抽出したいフィールドを定義（ラベリング）してトレーニングすることで作成します。

カスタムモデルのトレーニングプロセス:

データ収集: 抽出したい文書形式のサンプルを最低5つ（推奨は10〜100以上）収集します。多様なバリエーション（レイアウトのずれ、手書きの有無、画像品質の違いなど）を含むサンプルを用意することが、モデルの汎化性能を高める上で重要です。
データラベリング: Document Intelligence Studioを使用して、収集したサンプル文書上で抽出したいフィールド（キーと値のペア、選択マーク、テーブル、署名フィールドなど）を定義し、対応する領域を矩形や多角形で囲んでラベル付けします。このラベリング作業が、モデルトレーニングの質を決定づける最も重要なステップです。
モデルトレーニング: ラベル付けされたデータセットを使用して、Document Intelligenceサービス上でカスタムモデルをトレーニングします。サービスが提供する機械学習アルゴリズムが、ラベル付けされたパターンを学習し、新しい文書から同様の情報を抽出できるようにモデルを構築します。
モデルの評価と改善: トレーニングが完了したら、Document Intelligence StudioやAPIを使用して、トレーニングに使用していない新しい文書サンプルでモデルの精度を評価します。抽出結果を確認し、精度が低い場合は、さらに多くのサンプルを追加したり、ラベリングを見直したりして、モデルを再トレーニングします。

カスタムモデルの種類:

Template Model (テンプレートモデル):
- 構造が比較的固定されている文書（例：定型的なアンケート用紙、特定の契約書の冒頭部分、標準化された申請書）に適しています。
- トレーニング時には、文書のレイアウトやフィールドの位置パターンを学習します。
- Document Intelligence v2.1でForm Recognizerと呼ばれていた機能の主要な部分です。
- v3.0でも利用可能ですが、Neural Modelの方が推奨される場合が多いです。
Neural Model (ニューラルモデル):
- Document Intelligence v3.0で導入された新しい種類のカスタムモデルです。
- 構造が変動する可能性がある文書、非構造化文書、あるいはReady-madeモデルと同様に様々なレイアウトバリエーションを持つ文書（例：非定型的なレポート、契約書の特定の条項、多様な形式の請求書や契約書）に適しています。
- 単にレイアウトパターンを学習するだけでなく、より高度な自然言語処理（NLP）技術を用いて、単語間の関係性や文脈を理解し、フィールドを識別します。
- Template Modelよりも少ないサンプルで高い精度を達成できる場合があります。
- ほとんどの新しいカスタムモデル開発にはNeural Modelが推奨されます。

複合モデル (Composed Model):

複数のカスタムモデル（Template ModelとNeural Modelを組み合わせることも可能）を組み合わせて、単一のモデルとして使用することができます。これは、組織が複数の異なるフォーマットの同じ種類の文書（例：複数のサプライヤーからの請求書）を扱っている場合に便利です。ユーザーは複合モデルを呼び出すだけで、Document Intelligenceが自動的に入力文書に最も適したトレーニング済みモデルを選択して適用します。

カスタムモデルの利用シナリオ:

社内フォーム: 入社手続き書類、申請書、報告書など、企業独自のフォーム。
業界固有の文書: 医療機関の診療録、法律事務所の訴状、不動産業界の契約書など。
非定型文書: レポート、手紙、契約書の特定の自由記述セクションなどから情報を抽出したい場合。
Ready-madeモデルで対応できない文書: 特定国のID文書や証明書など、Ready-madeモデルの範囲外の文書。

カスタムモデルは、特定の業務プロセスに完全にフィットする形で文書処理を自動化するための強力な手段です。ラベリングとトレーニングの手間はかかりますが、その分、対象文書に特化した高精度な情報抽出を実現できます。

Document Intelligence Studio

Document Intelligence Studio (https://documentintelligence.ai.azure.com/) は、Document Intelligenceサービスの機能を手軽に試したり、カスタムモデルを開発したりするためのWebベースのグラフィカルツールです。

機能:
- Ready-madeモデル（General Document, Invoice, Receiptなど）のテストと結果確認。
- カスタムモデル開発のためのデータセット管理、ラベリングインターフェース。
- カスタムモデルのトレーニング実行と進捗監視。
- トレーニング済みカスタムモデルのテストと精度評価。
- 複合モデルの作成と管理。
- 抽出結果（テキスト、テーブル、キーと値、境界ボックスなど）の視覚化。
- APIリクエストの生成。
カスタムモデル開発における重要性: Studioは、ラベリングというカスタムモデル開発で最も時間のかかる作業を効率的に行うための直感的で強力なインターフェースを提供します。また、トレーニング結果やモデルの精度を視覚的に確認できるため、モデルの改善プロセスをスムーズに進めることができます。

APIとSDK

Azure Document Intelligenceの全ての機能は、REST APIを通じて利用可能です。また、主要なプログラミング言語（Python, C#, Java, JavaScriptなど）向けのSDKも提供されています。これにより、Document Intelligenceの機能を既存のアプリケーション、ワークフロー、またはシステムに容易に組み込むことができます。

REST API: HTTPリクエストを送信することで、モデルの呼び出し、カスタムモデルの管理（作成、トレーニング、削除）、操作の状態確認など、Document Intelligenceの全ての操作を実行できます。
SDK: 各言語のSDKは、API呼び出しを抽象化し、よりオブジェクト指向的なプログラミングインターフェースを提供します。認証処理やエラーハンドリングなども容易に行えるようになっています。

これらのAPIとSDKを活用することで、例えば以下のようなシステムを構築できます。

スキャンされた文書ファイルをストレージ（Azure Blob Storageなど）にアップロードすると、自動的にDocument Intelligenceが起動し、情報を抽出してデータベースに保存するワークフロー。
Webアプリケーションやモバイルアプリから、ユーザーがアップロードした文書を分析し、結果を表示する機能。
基幹システム（ERP, CRMなど）と連携し、文書から抽出したデータを自動入力する機能。

第3部：Azure Document Intelligenceの料金体系

Azure Document Intelligenceの利用料金は、主に処理された文書の「ページ数」に基づいた従量課金制です。利用するモデルの種類やカスタムモデルのトレーニングにも費用が発生します。正確な料金は、Azureの公式ウェブサイトのDocument Intelligence料金ページ（リージョンによって異なる場合がある）で常に最新情報を確認する必要がありますが、ここでは一般的な料金体系の考え方について解説します。

料金モデルの基本

従量課金制: 利用したリソース（主に処理したページ数）に応じて料金が発生します。事前に大きな固定費用はかかりません。
ページ単位: 多くの機能は、分析対象となった文書の1ページあたりいくら、という形で課金されます。
操作別料金: レイアウト分析、Ready-madeモデルによる抽出、カスタムモデルによる抽出、カスタムモデルのトレーニングなど、操作の種類によってページあたりの料金が異なります。

モデルごとの料金

料金は、一般的に以下の操作に対して発生します。

Layout Model による分析:
- 文書のテキスト、テーブル、選択マーク、レイアウト情報を抽出する機能です。
- ページあたりの料金が設定されています。General Document Modelの一部として提供される場合も、通常はこのカテゴリの料金が適用されます。
General Document Model による分析:
- Layout機能に加えて、キーと値のペアやエンティティ抽出を行う機能です。
- Layout Modelよりもページあたりの料金が高く設定されている場合があります。v3.0以降の推奨モデルです。
Specific Ready-made Models による分析:
- Invoice, Receipt, ID Document, Health Insurance Card, W-2 Tax Formなどの特定の文書タイプから定義されたフィールドを抽出する機能です。
- これらのモデルは、General Document ModelやLayout Modelとは異なる、特定のReady-madeモデル用のページあたりの料金が設定されています。通常、Layout ModelやGeneral Document Modelよりも高めの料金が設定されています。
Custom Models による分析:
- 自分でトレーニングしたカスタムモデルを使用して、文書から情報を抽出する機能です。
- こちらもページあたりの料金が設定されており、Ready-madeモデルと同等か、あるいは若干異なる場合があります。Template ModelとNeural Modelで料金が異なる場合もあります。
Custom Models のトレーニング:
- カスタムモデルをトレーニングする際に発生する料金です。
- これは通常、トレーニングに使用したページ数、またはトレーニングされたモデル数、あるいはその両方に基づいて課金されます。例えば、「トレーニング対象ページ数」として料金が発生し、同じデータセットで複数のモデル（例：Template ModelとNeural Modelの両方）をトレーニングすると、それぞれに料金が発生するという形式が考えられます。
- トレーニングは一度行えば繰り返し利用できますが、トレーニング自体にもコストがかかることを理解しておく必要があります。

注意点:

最低料金: 一部の操作には、1ページあたりの料金とは別に、最小単位（例：100ページ分）の料金が適用される場合があります。
価格改定: Azureのサービス料金は変更される可能性があります。常に公式ウェブサイトの最新情報を確認してください。
リージョン: 料金はAzureのデプロイリージョンによって異なる場合があります。

無料枠 (Free Tier)

Azure Document Intelligenceには通常、無料枠が提供されています。これにより、一定期間または一定量（例：月間500ページまで）の処理を無料で試すことができます。これは、サービスの評価や小規模な検証を行う上で非常に有用です。無料枠の詳細は、Azureの公式ウェブサイトで確認してください。

料金例（シミュレーション）

具体的な料金計算は、利用するモデル、ページ数、リージョンによって大きく変動します。あくまで概念的なシミュレーションとして、例えば以下のようになります（数字は架空の例です。実際の料金は公式情報を参照してください）。

シナリオ:

1ヶ月間に請求書を1,000枚、レシートを500枚処理したい。
社内フォームを2,000枚処理したい。そのためにカスタムモデルをトレーニングする。
カスタムモデルのトレーニングには、初期に100ページ分のサンプルを使用し、月に1回程度再トレーニングを行う。

料金計算例（仮定の料金）:

Invoice Model: 1,000枚 × 1ページ/枚 × 0.02 USD/ページ = 20.00 USD
Receipt Model: 500枚 × 1ページ/枚 × 0.015 USD/ページ = 7.50 USD
カスタムモデル (社内フォーム) 分析: 2,000枚 × 1ページ/枚 × 0.018 USD/ページ = 36.00 USD
カスタムモデルトレーニング: 100ページ × 1回/月 × 0.50 USD/ページ（トレーニング料金）= 50.00 USD

合計月額料金 (この仮定の場合): 20.00 + 7.50 + 36.00 + 50.00 = 113.50 USD

これは非常に簡略化された例です。実際の文書は複数ページにわたる場合もありますし、Document Intelligenceではページ数をカウントする際に、画像ファイル1つあたりではなく、物理的なページ数でカウントされることが多いです。例えば、両面スキャンされた1枚の画像ファイルに2ページ分の内容が含まれている場合、2ページとしてカウントされる可能性があります。料金体系の詳細は、公式ドキュメントをよくご確認ください。

また、カスタムモデルのトレーニング料金は、トレーニングに成功するたびに課金されるのか、あるいはトレーニング処理時間や計算リソースに基づいて課金されるのかなど、細かい仕様はバージョンやプランによって異なる場合があります。最新の公式情報を必ず参照してください。

コスト最適化のヒント

Azure Document Intelligenceのコストを最適化するためには、以下の点を考慮します。

必要なモデルのみを使用する: 分析対象の文書タイプに最適なReady-madeモデルやカスタムモデルを選択します。不要な分析（例：Layout Modelで十分なのにGeneral Document Modelを使う、あるいはReady-madeモデルで十分なのにカスタムモデルを使う）はコスト増につながる可能性があります。
バッチ処理で効率化する: 多数の文書を処理する場合、個別にAPIを呼び出すよりもバッチ処理機能を利用する方が効率的で、場合によってはコスト面でもメリットがある可能性があります（API設計による）。
画像の前処理で不要なページを除外する: ブランクページ、カバーページ、関連性のない資料など、情報抽出の対象とならないページは、Document Intelligenceに送る前に除去することで、課金対象となるページ数を削減できます。
カスタムモデルのトレーニングデータ量を最適化する: カスタムモデルの精度はデータ量に比例しますが、トレーニング料金もデータ量に比例します。最初は少なめのデータで開始し、精度を見ながら必要に応じてデータを追加していくのが効率的です。また、ラベル付けの質が重要です。
Document Intelligence Studioで事前にテストを行う: 大規模な導入の前に、Document Intelligence Studioで様々な文書サンプルを使用してテストを実行し、期待される精度と、その場合のページあたりコストを事前に確認します。
料金計算ツールを活用する: Azureのウェブサイトには料金計算ツールが提供されており、使用量や設定に基づいておおよその月額コストをシミュレーションできます。
APIバージョンを考慮する: 新しいAPIバージョン（例：v3.0）は、古いバージョン（v2.1）と比較して機能が向上している一方で、料金体系が異なる場合があります。利用する機能とコストのバランスを考慮してバージョンを選択します。

料金体系の確認方法

Azure Document Intelligenceの最も正確で最新の料金情報は、常に以下の公式リソースで確認してください。

Azure Document Intelligence 料金ページ: https://azure.microsoft.com/ja-jp/pricing/details/cognitive-services/document-intelligence/
Azure Document Intelligence ドキュメント: Microsoft Learn上の公式ドキュメントには、料金や各機能の詳細な説明が記載されています。

第4部：その他の考慮事項と今後の展望

Document Intelligenceを実際のビジネス運用に組み込む上で、料金や機能以外にも考慮すべき重要な点があります。

セキュリティとコンプライアンス

文書には機密情報や個人情報が含まれることが多いため、セキュリティとコンプライアンスは非常に重要です。

データのプライバシー: Azure Document Intelligenceに送信された文書データは、既定ではMicrosoftによって保持されず、分析処理が完了すると削除されます。ただし、カスタムモデルのトレーニングのためにアップロードされたデータセットは、ユーザーが明示的に削除するまでAzure Storageに保持されます。データの保管場所や保持ポリシーについては、公式ドキュメントを確認し、組織のポリシーや規制に適合しているかを確認する必要があります。
Azureのセキュリティ機能: Document IntelligenceはAzure上に構築されているため、Azureが提供する堅牢なセキュリティ機能（ネットワークセキュリティ、認証・認可、暗号化など）の恩恵を受けられます。
コンプライアンス認証: Azureサービスは、多くの国際的および業界固有のコンプライアンス認証（ISO 27001, SOC 2, HIPAAなど）を取得しています。対象とするビジネス分野に必要な認証を取得しているかを確認します。

スケーラビリティと信頼性

クラウドサービスであるAzure Document Intelligenceは、高いスケーラビリティと信頼性を提供します。

スケーラビリティ: 処理する文書量が増加しても、Document Intelligenceサービスは自動的にスケールアウトして対応できます。大量の文書を一度に処理する必要がある場合でも、特別な設定なしに利用できます。
信頼性: Azureのインフラストラクチャは高い可用性と信頼性を備えており、サービスの安定稼働が期待できます。

他のAzure Cognitive ServicesやAzureサービスとの連携

Document Intelligenceは、単体で利用するだけでなく、他のAzureサービスと連携させることで、さらに強力なソリューションを構築できます。

Azure Storage: 文書ファイル（画像、PDFなど）を安全に保存するためのストレージとして利用します。Document Intelligenceは、Storageに保存されたファイルにアクセスして分析できます。
Azure Functions / Logic Apps: 文書がStorageにアップロードされたことをトリガーとして、Document Intelligenceによる分析処理を自動的に実行するワークフローを簡単に構築できます。
Azure Data Factory: 大量の文書ファイルをバッチで処理し、抽出結果をデータベースやデータウェアハウスにロードするETLパイプラインを構築できます。
Azure Cognitive Search: Document Intelligenceで抽出したテキストや構造情報をインデックス化し、高度な検索機能を提供します。例えば、特定のキーワードや抽出フィールドの値で文書を検索したり、関連文書を検索したりするシステムを構築できます。
Azure Text Analytics / Azure Language Service: Document Intelligenceで抽出したテキストに対して、感情分析、キーワード抽出、翻訳、言語検出などの自然言語処理を行うことで、文書の内容をより深く理解・分析できます。
Azure Machine Learning: Document Intelligenceの抽出結果を、さらに高度な機械学習モデルの入力データとして利用したり、抽出精度を向上させるためのカスタムロジックを開発したりできます。

今後の機能拡張とAI技術の進化による影響

AI技術、特に自然言語処理や画像認識の分野は急速に進化しています。Azure Document Intelligenceも継続的にアップデートされており、新しいReady-madeモデルの追加、既存モデルの精度向上、新たな機能（例：非構造化文書からのエンティティ抽出強化、より複雑な文書構造への対応）が今後も提供される可能性があります。

このような進化は、Document Intelligenceの活用範囲を広げ、これまで自動化が難しかった文書処理も可能にしていきます。ユーザーとしては、公式ドキュメントやAzureの最新情報を常にチェックし、新しい機能を早期に評価・導入していくことが、競争優位性を維持する上で重要になります。

まとめ

Azure Document Intelligenceは、高性能なOCR技術を基盤とし、Ready-madeモデルとカスタムモデルという柔軟な選択肢を提供することで、多様な文書からのインテリジェントな情報抽出を可能にする強力なサービスです。その提供価値は、以下の点に集約されます。

高精度なOCRとレイアウト分析: 基盤となるOCR技術は高い精度を持ち、活字や手書き文字、複雑なレイアウトやテーブルも正確に認識・構造化できます。
多様なモデルによる迅速な情報抽出: 請求書やレシートなどの一般的な文書にはReady-madeモデルをすぐに利用でき、特定のビジネス文書にはカスタムモデルを柔軟に開発・適用できます。v3.0で導入されたGeneral Document ModelやNeural Modelは、非構造化文書や多様なレイアウトへの対応力を大幅に向上させています。
柔軟な料金体系: 処理されたページ数に基づいた従量課金制であり、初期投資を抑えつつ、利用量に応じてコストを最適化できます。無料枠を活用して試用も可能です。
Azureエコシステムとの連携: 他のAzureサービスと組み合わせることで、文書処理から後続のデータ活用、ワークフロー自動化、検索システム構築まで、エンドツーエンドのソリューションを構築できます。
継続的な進化: Microsoftによって常に機能強化と精度向上が図られています。

ビジネスにおける文書処理の自動化は、生産性の向上、コスト削減、エラー削減、そして収集した情報の戦略的な活用を可能にする上で不可欠です。Azure Document Intelligenceは、これらの目標を達成するための強力なツールとなり得ます。

この記事を通じて、Azure Document IntelligenceのOCR精度、提供されるモデル、そして料金体系についての理解を深めていただけたなら幸いです。もし、まだDocument Intelligenceを試したことがないという方がいれば、ぜひAzure Document Intelligence Studioにアクセスし、お手持ちの文書でその機能を体験してみることをお勧めします。そこから、貴社の文書処理課題をどのように解決できるかの具体的な道筋が見えてくるはずです。

デジタルトランスフォーメーションの旅において、文書という情報の壁を乗り越えるために、Azure Document Intelligenceが強力な味方となるでしょう。