CambioML
CambioML · 生産性向上 · マーケティング
AnyParserはCambioMLの文書解析APIだ。視覚言語モデルを使い、PDF、Wordファイル、スライド、画像を読み取って、Markdown、JSONのキーバリュー、HTML表に変換する。
CambioML について
About
AnyParserとは
AnyParserは、通常のテキスト抽出では崩れてしまう文書を読むためのAPIとPython SDKだ。PDF、Wordファイル、スライド、印刷ページを撮った写真を渡すと、見出しの階層と読み順を保ったMarkdownが返ってくる。表を求めればHTML、項目を求めればJSONが返る。
CambioMLは一般的なOCRとテンプレートの組み合わせではなく、視覚言語モデルを解析エンジンに据えた。うまくいく理由の大半はそこにある。スキャンした請求書もデジタル生成の報告書も同じ呼び出しで処理でき、文書の種類ごとにレイアウト規則を書く必要がない。雑多な紙資料を検索システムに流し込むチームにとって、設定作業の削減は大きい。
限界は3点に集約される。出力はあくまでモデルがページを読んだ結果なので、密度の高い表や薄いスキャンは、数値をデータベースに入れる前に目視で確認したい。anyparser.comは現在「近日公開」のページだけを表示しており、CambioMLの公式サイトは保険業向けの文書自動化を前面に出している。実務ではドキュメントサイトが確実な入口になる。無料枠を超えた価格は決済ページではなく営業との相談で決まるため、コスト試算に時間がかかる。
使い始める
- CambioMLのアカウントページでAPIキーを発行する。アカウントごとに100ページの無料枠があり、無料キーは1回あたり10ページまで処理できる。
pip install any-parserでSDKを入れ、キーをCAMBIO_API_KEYのような環境変数に置く。Pythonを避けたい場合はREST APIを直接叩けばいい。- 短いファイルは
ap.parse(file_path=...)で同期解析する。同期エンドポイントは30秒で打ち切られるため、1〜2ページの文書に向く。 - 長いファイルは
async_parseとasync_fetchに切り替える。最初の呼び出しでファイルIDを受け取り、処理完了後に2回目でMarkdownを取り出す。 - 必要な出力を選ぶ。全文のMarkdown、HTMLの表、JSONのキーバリュー、個人情報のいずれかだ。残りページ数は
/queryエンドポイントのpageRemainingで確認できる。
AIツール情報
CambioMLの料金、対応プラットフォーム、性能を簡単に確認できます。
こんな人におすすめ
このツールが最も力を発揮するユーザー、タスク、シーン。
ユーザー
- AIエンジニアとデータエンジニア：OCRの仕組みを自前で組まなくても構造化された出力が得られ、SDKのおかげで実装は数行で済む。同期モードの30秒制限はコード側で処理する必要がある。
- 帳票に埋もれている業務チーム：請求書や明細、申請書がテキストの壁ではなくJSONの項目として返ってくる。スキャン品質が悪いときは抽出した数値の確認時間を確保したい。
- 採用や人事の担当者：履歴書向けエンドポイントが連絡先と要約を1回で返すため、手作業のスクリーニングが減る。精度は履歴書のレイアウト次第なので、人による確認は残す。
タスク
- ナレッジベース用にPDF変換を行う：見出しと目次の構造がそのまま残るので、検索システムに渡すチャンクが使える階層を持つ。
- 報告書から表の抽出をする：表の抽出はHTMLを返すので、行と列に分解できる。セル結合のある複雑な財務表は、先に中身を確認したい。
- 文書から個人情報の抽出を行う：個人情報の抽出は氏名、電話番号、住所、メール、プロフィールURLを検出し、後段でマスクできるようにする。
シーン
- 古い文書の山をまとめて処理する：非同期とバッチのエンドポイントが同期の制限を超えるファイルを扱う。バッチは利用前にベンダーへの申請が要る。
- 製品にドキュメントAI機能を組み込む：解析が1回の呼び出しで済むため、自前のモデル基盤を持たずに抽出機能を出せる。
- 契約書や申請書をまとめて監査する：キーバリュー抽出が繰り返し現れる条項を比較可能な項目に変えるので、大量の文書を並べて確認しやすい。
主な機能
文書全体をMarkdownに変換
解析呼び出しは文書全体をMarkdownで返し、見出しレベル、リスト構造、読み順を保持する。テキストを分割して検索システムに渡す予定なら、ここが効く。平坦なテキスト出力では、モデルが必要とする章の境界が消えてしまうからだ。短いファイルは同期、長いファイルは非同期で処理する。
表をHTMLとして抽出
表は平らなテキストではなくHTMLで返るので、行と列の対応が保たれる。このマークアップをデータフレームに変換してもいいし、そのまま表示してもいい。セル結合を含む複雑な表は、データを下流に流す前に一度確認したい。
キーバリューをJSONとして抽出
文書全体ではなく特定の項目だけを要求し、JSONで受け取れる。汎用のキーバリューエンドポイントに加え、履歴書のレイアウトに合わせた専用エンドポイントがあり、候補者の情報を予測可能な構造で返す。帳票からデータベースの1行へ進む最短経路だ。
個人情報の抽出
専用エンドポイントが個人を特定できる情報を抜き出す。氏名、電話番号、住所、メールアドレス、LinkedInのURL、GitHubのURL、短い要約だ。文書を保存、索引化、他サービスへの送信をする前に、機微な項目を見つける用途で使われる。抽出は印を付けるだけで、マスクは自前の工程になる。
同期・非同期・バッチのエンドポイント
3つのモードがファイルサイズの違いを吸収する。同期は即座に応答し、30秒で打ち切られる。非同期はアップロードを受け取ってファイルIDを返し、後日の取得で結果を渡す。バッチはフォルダを受け付けるが、まだベータで、最大12時間かかり、キーに権限を追加してもらう必要がある。
Python SDKとRESTアクセス
any-parser パッケージはAPIをクライアントで包み、環境変数からキーを読み、処理ごとにメソッドを1つ提供する。別の言語を使うなら、RESTエンドポイントがbase64のファイル内容と x-api-key ヘッダーを受け付ける。レート制限は毎秒1リクエストなので、大きな処理はキューに入れて回す。
メリットとデメリット
メリット
- 無料枠が100ページあり、支払う前に自分の文書で出力の質を測れる。
- Markdown、JSON、HTMLの出力がそのまま検索基盤に載るため、解析と検索の間のつなぎ込みが少なくて済む。
- 個人情報の抽出が同じAPIに入っており、匿名化サービスを別途つなぐ必要がない。
- 非同期とバッチが、同期の30秒では終わらない長いファイルを引き受ける。
- Python SDKなら動く実装まで10行以内に収まる。
デメリット
- 従量の価格は営業との交渉で決まるため、サイトだけでは1ページあたりのコストを算出できない。
- 同期エンドポイントは30秒で止まるので、実務のほとんどは2段階の非同期フローに回る。
- バッチ処理はベータで上限12時間、サポートがキーを有効化するまで使えない。
- 毎秒1リクエストの制限により、大量の後追い処理は間隔を空ける必要があり、大規模な文書群では日程が延びる。
よくある質問
文書を読み取り、内容を構造化した形式で返す。形式は選べる。全文ならMarkdown、表ならHTML、特定の項目や個人情報ならJSONだ。
関連コンテンツ
CambioMLに関連するツール、スキル、記事を探す。
CambioMLの代替ツール
Base Code
Base44 (Wix) · コーディング · 生産性向上Base CodeはBase44の共有クラウド開発環境だ。既存のGitHubリポジトリに対する変更をチャットで伝え、プレビューで確認し、プルリクエストとして返せる。
Knocket
Knocket (Tencent RTC team) · 生産性向上 · ビジネス · チャットボットKnocketは無料のライブチャット兼コンタクトページだ。訪問者はウェブサイト、アプリ、共有リンクから書き込み、こちらはTelegramか一つの受信トレイから返信する。
FloorGen
Vinit Kumar (FloorGen) · 生産性向上 · 中国のAIFloorGenはブラウザで動く間取り作成ツールだ。文章かスケッチから編集できる2D間取り図と3Dウォークスルーを作る。PDF、DXF、動画に書き出せ、アカウントなしでも描き始められる。