GSP927

개요

Document AI API는 문서, 이메일과 같은 비정형 데이터를 가져와서 데이터를 더 쉽게 이해, 분석, 사용할 수 있도록 해주는 문서 이해 솔루션입니다.

이 실습에서는 Cloud Storage에 업로드된 문서를 자동으로 분석하는 문서 처리 파이프라인을 빌드합니다. 이 파이프라인은 Document AI 양식 프로세서가 포함된 Cloud Run 함수를 사용하여 데이터를 추출하고 BigQuery에 저장합니다. 양식에 주소 필드가 포함되어 있으면 주소 데이터가 Pub/Sub 주제로 전송됩니다. 그러면 두 번째 Cloud Run 함수가 트리거되어 Geocoding API를 사용하여 좌표를 추가하고 결과를 BigQuery에 씁니다.

이 간단한 파이프라인은 일반 양식 프로세서를 사용하여 라벨이 지정된 주소 필드와 같은 기본 양식 데이터를 감지합니다. 더 복잡한 문서의 경우 Document AI는 명시적인 라벨이 없어도 자세한 정보를 추출하는 전문 파서(이 실습의 범위를 벗어남)를 제공합니다. 예를 들어 인보이스 파서는 일반적인 인보이스 레이아웃을 이해하여 라벨이 지정되지 않은 인보이스에서 주소와 공급업체 세부정보를 식별할 수 있습니다.

만들게 될 전체 아키텍처는 다음과 같습니다.

1. 주소 데이터가 포함된 양식을 Cloud Storage에 업로드합니다.
2. 업로드하면 Cloud Run 함수 호출이 트리거되어 양식을 처리합니다.
3. Cloud Run 함수에서 Document AI를 호출합니다.
4. Document AI JSON 데이터가 Cloud Storage에 다시 저장됩니다.
5. Cloud Run 함수가 양식 데이터를 BigQuery에 기록합니다.
6. Cloud Run 함수가 주소를 Pub/Sub 주제로 전송합니다.
7. Pub/Sub 메시지가 GeoCode 처리를 위한 Cloud Run 함수를 트리거합니다.
8. Cloud Run 함수에서 Geocoding API를 호출합니다.
9. Cloud Run 함수가 지오코딩 데이터를 BigQuery에 기록합니다.

이 예시 아키텍처는 Cloud Run 함수를 사용하여 간단한 파이프라인을 구현하지만, Document AI API 호출이 Cloud Run 함수에서 지원하는 제한 시간을 초과할 수 있으므로 프로덕션 환경에는 Cloud Run 함수를 사용하지 않는 것이 좋습니다. 더 강력한 서버리스 솔루션을 위해서는 Cloud Tasks를 사용하는 것이 좋습니다.

학습할 내용

이 실습에서는 다음을 수행하는 방법에 대해 알아봅니다.

• Document AI API를 사용 설정합니다.
• Document AI, BigQuery, Cloud Storage, Pub/Sub API를 사용하는 Cloud Run 함수를 배포합니다.

Cloud Run 함수를 구성하여 다음을 수행합니다.

• 문서가 Cloud Storage에 업로드될 때 트리거되도록 설정합니다.
• Python용 Document AI 클라이언트 라이브러리를 사용합니다.
• Pub/Sub 메시지가 생성될 때 트리거되도록 설정합니다.

설정 및 요건

실습 시작 버튼을 클릭하기 전에

다음 안내를 확인하세요. 실습에는 시간 제한이 있으며 일시중지할 수 없습니다. 실습 시작을 클릭하면 타이머가 시작됩니다. 이 타이머는 Google Cloud 리소스를 사용할 수 있는 시간이 얼마나 남았는지를 표시합니다.

실무형 실습을 통해 시뮬레이션이나 데모 환경이 아닌 실제 클라우드 환경에서 실습 활동을 진행할 수 있습니다. 실습 시간 동안 Google Cloud에 로그인하고 액세스하는 데 사용할 수 있는 새로운 임시 사용자 인증 정보가 제공됩니다.

이 실습을 완료하려면 다음을 준비해야 합니다.

• 표준 인터넷 브라우저 액세스 권한(Chrome 브라우저 권장)

참고: 이 실습을 실행하려면 시크릿 모드(권장) 또는 시크릿 브라우저 창을 사용하세요. 개인 계정과 학습자 계정 간의 충돌로 개인 계정에 추가 요금이 발생하는 일을 방지해 줍니다.

• 실습을 완료하기에 충분한 시간(실습을 시작하고 나면 일시중지할 수 없음)

참고: 이 실습에는 학습자 계정만 사용하세요. 다른 Google Cloud 계정을 사용하는 경우 해당 계정에 비용이 청구될 수 있습니다.

Cloud Shell 활성화

Cloud Shell은 다양한 개발 도구가 탑재된 가상 머신으로, 5GB의 영구 홈 디렉터리를 제공하며 Google Cloud에서 실행됩니다. Cloud Shell을 사용하면 명령줄을 통해 Google Cloud 리소스에 액세스할 수 있습니다.

1. Google Cloud 콘솔 상단에서 Cloud Shell 활성화 를 클릭합니다.

2. 다음 창을 클릭합니다.

   • Cloud Shell 정보 창을 통해 계속 진행합니다.
   • 사용자 인증 정보를 사용하여 Google Cloud API를 호출할 수 있도록 Cloud Shell을 승인합니다.

연결되면 사용자 인증이 이미 처리된 것이며 프로젝트가 학습자의 PROJECT_ID, (으)로 설정됩니다. 출력에 이 세션의 PROJECT_ID를 선언하는 줄이 포함됩니다.

Your Cloud Platform project in this session is set to {{{project_0.project_id | "PROJECT_ID"}}}

gcloud는 Google Cloud의 명령줄 도구입니다. Cloud Shell에 사전 설치되어 있으며 명령줄 자동 완성을 지원합니다.

3. (선택사항) 다음 명령어를 사용하여 활성 계정 이름 목록을 표시할 수 있습니다.

gcloud auth list

4. 승인을 클릭합니다.

출력:

ACTIVE: * ACCOUNT: {{{user_0.username | "ACCOUNT"}}} To set the active account, run: $ gcloud config set account `ACCOUNT`

5. (선택사항) 다음 명령어를 사용하여 프로젝트 ID 목록을 표시할 수 있습니다.

gcloud config list project

출력:

[core] project = {{{project_0.project_id | "PROJECT_ID"}}} 참고: gcloud 전체 문서는 Google Cloud에서 gcloud CLI 개요 가이드를 참고하세요.

작업 1. API 사용 설정 및 API 키 만들기

이 실습을 진행하려면 Document AI, Cloud Run Functions, Cloud Build, Geocoding API를 사용 설정한 후 Geocoding Cloud Run 함수에 필요한 API 키를 만들어야 합니다.

1. Google Cloud 콘솔 상단에서 Cloud Shell 활성화 를 클릭합니다.

2. Cloud Shell에서 다음 명령어를 입력하여 실습에 필요한 API를 사용 설정합니다.

gcloud services enable documentai.googleapis.com gcloud services enable cloudfunctions.googleapis.com gcloud services enable cloudbuild.googleapis.com gcloud services enable geocoding-backend.googleapis.com

3. 콘솔의 탐색 메뉴()에서 API 및 서비스 > 사용자 인증 정보를 클릭합니다.

4. 사용자 인증 정보 만들기를 선택한 후 드롭다운 메뉴에서 API 키를 선택합니다.

API 키 생성 대화상자에 새로 생성된 키가 표시됩니다. API 키는 대문자, 소문자, 숫자, 대시를 포함하는 긴 문자열입니다. 예를 들면 a4db08b757294ea94c08f2df493465a1입니다.

5. 작업 아래에 있는 점 3개를 클릭한 후 대화상자에서 API 키 수정을 클릭합니다.

6. API 제한사항 섹션에서 키 제한을 선택하여 새 API 키에 대한 API 제한사항을 추가합니다.

7. API 선택 드롭다운을 클릭하고 필터 상자에 Geocoding API를 입력합니다.

8. Geocoding API를 선택하고 확인을 클릭합니다.

9. 저장 버튼을 클릭합니다.

참고: 키 제한 드롭다운 목록에서 Geocoding API를 찾을 수 없는 경우 페이지를 새로고침하여 사용 가능한 API 목록을 새로고침합니다. 필요한 모든 API가 사용 설정되었는지 확인합니다.

작업 2. 실습 소스 코드 다운로드

이 작업에서는 소스 파일을 Cloud Shell에 복사합니다. 이러한 파일에는 Cloud Run 함수의 소스 코드와 실습에서 만들 BigQuery 테이블의 스키마가 포함되어 있습니다.

1. Cloud Shell에서 다음 명령어를 입력하여 이 실습의 소스 코드를 다운로드합니다.

mkdir ./documentai-pipeline-demo gcloud storage cp -r \ gs://spls/gsp927/documentai-pipeline-demo/* \ ~/documentai-pipeline-demo/

작업 3. 양식 프로세서 만들기

Document AI 양식 파서 전문 파서를 사용하여 Document AI Platform에서 사용할 일반 양식 프로세서의 인스턴스를 만듭니다. 일반적인 양식 프로세서는 어떤 유형의 문서도 처리 가능하며, 문서 내에서 식별할 수 있는 모든 텍스트 콘텐츠를 추출합니다. 인쇄된 텍스트뿐만 아니라 필기 텍스트도 텍스트 방향과 관계없이 처리할 수 있으며, 여러 언어를 지원합니다. 또한 양식 데이터 요소가 서로 어떻게 연관되어 있는지 이해하여 텍스트 라벨이 있는 양식 필드의 키-값 쌍을 추출할 수도 있습니다.

1. Google Cloud 콘솔의 검색창에 Document AI를 입력하고 제품 페이지 결과를 클릭합니다.

2. 프로세서 탐색, 양식 파서를 차례로 클릭하여 새 프로세서를 만듭니다.

3. 프로세서 이름을 form-processor로 지정하고, 리전은 목록에서 US(미국)를 선택합니다.

4. 만들기를 클릭하여 프로세서를 생성합니다.

이 실습의 뒷부분에서 이 프로세서의 프로세서 ID와 위치를 사용하여 Cloud Run 함수를 구성합니다. 그러면 Cloud Run 함수가 이 특정 프로세서를 사용하여 샘플 인보이스를 처리합니다.

작업 4. Cloud Storage 버킷 및 BigQuery 데이터 세트 만들기

이 섹션에서는 문서 처리 파이프라인에 필요한 Google Cloud 리소스를 만들어 환경을 준비합니다.

입력, 출력, 보관 Cloud Storage 버킷 만들기

문서 처리 파이프라인을 위한 입력, 출력, 보관 Cloud Storage 버킷을 만듭니다.

1. Cloud Shell에서 다음 명령어를 입력하여 실습용 Cloud Storage 버킷을 만듭니다.

export PROJECT_ID=$(gcloud config get-value core/project) export BUCKET_LOCATION="{{{my_primary_project.default_region|REGION}}}" gsutil mb -c standard -l ${BUCKET_LOCATION} -b on \ gs://${PROJECT_ID}-input-invoices gsutil mb -c standard -l ${BUCKET_LOCATION} -b on \ gs://${PROJECT_ID}-output-invoices gsutil mb -c standard -l ${BUCKET_LOCATION} -b on \ gs://${PROJECT_ID}-archived-invoices

BigQuery 데이터 세트와 테이블 만들기

데이터 처리 파이프라인에 필요한 BigQuery 데이터 세트와 3개의 출력 테이블을 만듭니다.

1. Cloud Shell에서 다음 명령어를 입력하여 실습용 BigQuery 테이블을 만듭니다.

bq --location="US" mk -d \ --description "Form Parser Results" \ ${PROJECT_ID}:invoice_parser_results cd ~/documentai-pipeline-demo/scripts/table-schema/ bq mk --table \ invoice_parser_results.doc_ai_extracted_entities \ doc_ai_extracted_entities.json bq mk --table \ invoice_parser_results.geocode_details \ geocode_details.json

Cloud 콘솔에서 BigQuery로 이동하고 BigQuery SQL 작업 공간을 사용하여 invoice_parser_results 데이터 세트의 테이블에 대한 스키마를 검사할 수 있습니다.

Pub/Sub 주제 만들기

처리 파이프라인에서 Geocoding API 데이터 보강 작업을 트리거하는 데 사용되는 Pub/Sub 주제를 초기화합니다.

1. Cloud Shell에서 다음 명령어를 입력하여 실습용 Pub/Sub 주제를 만듭니다.

export GEO_CODE_REQUEST_PUBSUB_TOPIC=geocode_request gcloud pubsub topics \ create ${GEO_CODE_REQUEST_PUBSUB_TOPIC} BigQuery 데이터 세트, Cloud Storage 버킷, Pub/Sub 주제가 생성되었는지 확인합니다.

작업 5. Cloud Run 함수 만들기

데이터 처리 파이프라인에서 Cloud Storage에 업로드된 인보이스를 처리하는 데 사용하는 두 개의 Cloud Run 함수를 만듭니다. 이러한 함수는 Document AI API를 사용하여 원시 문서에서 양식 데이터를 추출한 후 GeoCode API를 사용하여 문서에서 추출한 주소 정보에 대한 지리 위치정보 데이터를 검색합니다.

코드 편집기 또는 원하는 다른 편집기를 사용하여 두 Cloud Run 함수의 소스 코드를 검사할 수 있습니다. Cloud Run 함수는 Cloud Shell의 다음 폴더에 저장됩니다.

• Process Invoices - scripts/cloud-functions/process-invoices
• Geocode Addresses - scripts/cloud-functions/geocode-addresses

주 Cloud Run 함수인 process-invoices는 파일이 앞서 만든 입력 파일 스토리지 버킷에 업로드될 때 트리거됩니다.

함수 폴더 scripts/cloud-functions/process-invoices에는 process-invoices Cloud Run 함수를 만드는 데 사용되는 두 개의 파일이 포함되어 있습니다.

requirements.txt 파일은 함수에 필요한 Python 라이브러리를 지정합니다. 여기에는 Document AI 클라이언트 라이브러리뿐만 아니라 Python 코드가 Cloud Storage에서 파일을 읽고, BigQuery에 데이터를 저장하고, 솔루션 파이프라인의 나머지 함수를 트리거하는 메시지를 Pub/Sub에 작성하는 데 필요한 다른 Google Cloud 라이브러리도 포함됩니다.

main.py Python 파일에는 Document-AI, BigQuery, Pub/Sub API 클라이언트를 생성하는 Cloud Run 함수 코드와 문서를 처리하기 위한 다음 내부 함수가 포함되어 있습니다.

• write_to_bq - 딕셔너리 객체를 BigQuery 테이블에 작성합니다. 이 함수를 호출하기 전에 스키마가 유효한지 확인해야 합니다.
• get_text - 양식 이름과 값 텍스트 앵커를 문서의 스캔된 텍스트에 매핑합니다. 이를 통해 함수는 공급업체 이름 및 주소와 같은 특정 양식 요소를 식별하고 관련 값을 추출할 수 있습니다. 특수화된 Document AI 프로세서는 항목 속성에서 직접 컨텍스트 정보를 제공합니다.
• process_invoice - 비동기 Document-AI 클라이언트 API를 사용하여 Cloud Storage에서 파일을 읽고 다음과 같이 처리합니다.
  • Cloud Run 함수 호출을 트리거한 파일을 처리하기 위한 비동기 요청을 생성합니다.
  • 프로세스는 데이터를 형성하여 인보이스 필드를 추출하고, 사전 정의된 스키마의 일부인 특정 필드만 딕셔너리에 저장합니다.
  • Pub/Sub 메시지를 게시하여 문서에서 추출한 주소 양식 데이터를 사용하여 Geocoding Cloud Run 함수를 트리거합니다.
  • 양식 데이터를 BigQuery 테이블에 작성합니다.
  • 비동기식 Document AI API 호출에서 생성된 중간 (출력) 파일을 삭제합니다.
  • 입력 파일을 보관 버킷에 복사합니다.
  • 처리된 입력 파일을 삭제합니다.

process_invoices Cloud Run 함수는 다음 양식 필드 이름으로 감지된 양식 데이터만 처리합니다.

• input_file_name
• address
• supplier
• invoice_number
• purchase_order
• date
• due_date
• subtotal
• tax
• total

다른 Cloud Run 함수인 geocode-addresses는 Pub/Sub 주제에 새 메시지가 도착하면 트리거되며, Pub/Sub 메시지에서 파라미터 데이터를 추출합니다.

Cloud Storage에 업로드된 문서를 처리하는 Cloud Run 함수 만들기

Document AI 양식 프로세서를 사용하여 Cloud Storage 버킷에 업로드된 양식 문서를 파싱하는 Cloud Run 함수를 만듭니다.

1. 다음 명령어를 실행하여 프로젝트의 Cloud Storage 서비스 에이전트 이메일 주소를 가져옵니다.

gcloud storage service-agent --project=$PROJECT_ID

2. 아래 명령어를 실행하여 Cloud Storage 서비스 계정에 필요한 권한을 허용합니다.

PROJECT_NUMBER=$(gcloud projects describe $PROJECT_ID --format="value(projectNumber)") gcloud iam service-accounts create "service-$PROJECT_NUMBER" \ --display-name "Cloud Storage Service Account" || true gcloud projects add-iam-policy-binding $PROJECT_ID \ --member="serviceAccount:service-$PROJECT_NUMBER@gs-project-accounts.iam.gserviceaccount.com" \ --role="roles/pubsub.publisher" gcloud projects add-iam-policy-binding $PROJECT_ID \ --member="serviceAccount:service-$PROJECT_NUMBER@gs-project-accounts.iam.gserviceaccount.com" \ --role="roles/iam.serviceAccountTokenCreator" 참고: Cloud Storage 서비스 계정이 이미 있는 경우 오류를 무시해도 됩니다.

3. Invoice Processor Cloud Run 함수를 만듭니다.

cd ~/documentai-pipeline-demo/scripts export CLOUD_FUNCTION_LOCATION="{{{my_primary_project.default_region|REGION}}}" gcloud functions deploy process-invoices \ --no-gen2 \ --region=${CLOUD_FUNCTION_LOCATION} \ --entry-point=process_invoice \ --runtime=python39 \ --source=cloud-functions/process-invoices \ --timeout=400 \ --env-vars-file=cloud-functions/process-invoices/.env.yaml \ --trigger-resource=gs://${PROJECT_ID}-input-invoices \ --trigger-event=google.storage.object.finalize 참고: 권한 오류로 인해 명령어가 실패하면 잠시 기다렸다가 다시 시도하세요.

주소에서 지오코드 데이터를 조회하는 Cloud Run 함수 만들기

Pub/Sub 메시지에서 주소 데이터를 수락하고 Geocoding API를 사용하여 주소를 정확하게 찾아내는 Cloud Run 함수를 만듭니다.

1. Geocoding Cloud Run 함수를 만듭니다.

cd ~/documentai-pipeline-demo/scripts gcloud functions deploy geocode-addresses \ --no-gen2 \ --region=${CLOUD_FUNCTION_LOCATION} \ --entry-point=process_address \ --runtime=python39 \ --source=cloud-functions/geocode-addresses \ --timeout=60 \ --env-vars-file=cloud-functions/geocode-addresses/.env.yaml \ --trigger-topic=${GEO_CODE_REQUEST_PUBSUB_TOPIC}

작업 6. Cloud Run 함수의 환경 변수 수정

이 작업에서는 Cloud 콘솔을 통해 각 함수의 환경 변수를 편집하여 실습별 파라미터를 반영함으로써 Cloud Run 함수의 구성을 마무리합니다.

process-invoices Cloud Run 함수의 환경 변수 수정

process-invoices 함수의 Cloud Run 함수 환경 변수를 설정합니다.

1. Cloud 콘솔의 검색창에 Cloud Run Functions를 입력하고 제품 페이지 결과를 클릭합니다.

Cloud Run 콘솔로 리디렉션되면 Cloud Run Functions 1세대로 이동을 클릭하여 배포된 함수 process-invoices와 geocode-addresses를 확인합니다.

참고: Cloud Run Functions 1세대로 이동 링크가 표시되지 않으면 Cloud Run 콘솔을 새로고침하세요.

2. Cloud Run 함수 process-invoices를 클릭하여 관리 페이지를 엽니다.
3. 수정을 클릭합니다.
4. 런타임, 빌드, 연결, 보안 설정을 클릭하여 해당 섹션을 펼칩니다.
5. 런타임 환경 변수에서 GCP_PROJECT 변수와 프로젝트 ID에 맞는 값을 추가합니다.
6. 런타임 환경 변수에서 PROCESSOR_ID 값을 앞에서 만든 인보이스 프로세서 ID와 일치하도록 업데이트합니다.
7. 런타임 환경 변수에서 PARSER_LOCATION 값을 이전에 만든 인보이스 프로세서의 리전과 일치하도록 업데이트합니다. us 또는 eu입니다. 이 파라미터는 반드시 소문자여야 합니다.
8. 다음을 클릭하고 .env.yaml을 선택한 후 인보이스 프로세서의 PROCESSOR_ID, PARSER_LOCATION, GCP_PROJECT 값을 다시 업데이트합니다.

9. 배포를 클릭합니다.

Process Invoices Cloud Run 함수 배포

geocode-addresses Cloud Run 함수의 환경 변수 수정

GeoCode 데이터 보강 함수에 대한 Cloud Run 함수 환경 변수를 설정합니다.

1. Cloud Run 함수 geocode-addresses를 클릭하여 관리 페이지를 엽니다.
2. 수정을 클릭합니다.
3. 런타임, 빌드, 연결, 보안 설정을 클릭하여 해당 섹션을 펼칩니다.
4. 런타임 환경 변수에서 API_key 값을 작업 1에서 만든 API 키 값과 일치하도록 업데이트합니다.
5. 다음을 클릭하고 .env.yaml을 선택한 후 API_key 값을 이전 단계에서 설정한 API 키 값과 일치하도록 업데이트합니다.
6. 배포를 클릭합니다.

Geocode Addresses Cloud Run 함수 배포

작업 7. 엔드 투 엔드 솔루션 테스트 및 검증

테스트 데이터를 Cloud Storage에 업로드한 후 문서가 처리되고 추출된 데이터가 향상되는 동안 파이프라인의 진행 상황을 모니터링합니다.

1. Cloud Shell에서 다음 명령어를 입력하여 process-invoices Cloud Run 함수를 트리거할 Cloud Storage 버킷에 샘플 양식을 업로드합니다.

export PROJECT_ID=$(gcloud config get-value core/project) gsutil cp gs://spls/gsp927/documentai-pipeline-demo/sample-files/* gs://${PROJECT_ID}-input-invoices/

2. Cloud 콘솔의 검색창에 Cloud Run Functions를 입력하고 제품 페이지 결과를 클릭합니다.
3. Cloud Run 함수 process-invoices를 클릭하여 관리 페이지를 엽니다.
4. 로그를 클릭합니다.

함수 생성과 관련된 이벤트와 환경 변수를 구성하기 위해 이루어진 업데이트에 이어 처리 중인 파일에 대한 세부정보와 Document AI가 감지한 데이터를 보여주는 이벤트가 표시됩니다.

함수 실행이 LoadJob으로 완료되었음을 나타내는 최종 이벤트가 표시될 때까지 이벤트를 지켜봅니다. 오류가 보고되면 이전 섹션의 .env.yaml 파일에 설정된 파라미터가 올바른지 다시 한번 확인합니다. 특히 프로세서 ID, 위치, 프로젝트 ID가 유효한지 확인합니다. 이벤트 목록은 자동으로 새로고침되지 않습니다.

처리가 끝나면 BigQuery 테이블에 Document AI에서 추출한 항목과 Geocoding API에서 제공한 보강된 데이터가 채워집니다. 단, Document AI 프로세서가 업로드된 문서에서 주소 데이터를 감지한 경우에만 해당됩니다.

BigQuery 콘솔 열기

1. Google Cloud 콘솔에서 탐색 메뉴 > BigQuery를 선택합니다.

Cloud 콘솔의 BigQuery에 오신 것을 환영합니다라는 메시지 상자가 열립니다. 이 메시지 상자에서는 빠른 시작 가이드 및 출시 노트로 연결되는 링크가 제공됩니다.

2. 완료를 클릭합니다.

BigQuery 콘솔이 열립니다.

3. 탐색기에서 프로젝트 ID를 펼칩니다.

4. invoice_parser_results를 펼칩니다.

5. doc_ai_extracted_entities를 선택하고 미리보기를 클릭합니다.

인보이스 프로세서가 인보이스에서 추출한 양식 정보를 확인할 수 있으며, 주소 정보와 공급업체 이름이 감지된 것을 볼 수 있습니다.

6. geocode_details를 선택하고 미리보기를 클릭합니다.

Document AI가 추출할 수 있는 주소 데이터가 포함된 처리된 각 인보이스에 대해 서식이 지정된 주소, 위도, 경도를 확인할 수 있습니다.

엔드 투 엔드 파이프라인이 양식과 주소 데이터를 처리했는지 확인합니다.

수고하셨습니다

Document AI API와 다른 Google Cloud 서비스를 사용하여 엔드 투 엔드 인보이스 처리 파이프라인을 성공적으로 빌드했습니다. 이 실습에서는 Document AI API를 사용 설정하고, Document AI, BigQuery, Cloud Storage, Pub/Sub API를 사용하는 Cloud Run 함수를 배포하고, 문서가 Cloud Storage에 업로드될 때 트리거되도록 Cloud Run 함수를 구성했습니다. 또한 Python용 Document AI 클라이언트 라이브러리를 사용하고 Pub/Sub 메시지가 생성될 때 트리거되도록 Cloud Run 함수를 구성했습니다.

다음 단계/더 학습하기

• 이러한 양식 인증에 대한 자세한 내용은 가이드를 참조하세요.

Google Cloud 교육 및 자격증

Google Cloud 기술을 최대한 활용하는 데 도움이 됩니다. Google 강의에는 빠른 습득과 지속적인 학습을 지원하는 기술적인 지식과 권장사항이 포함되어 있습니다. 기초에서 고급까지 수준별 학습을 제공하며 바쁜 일정에 알맞은 주문형, 실시간, 가상 옵션이 포함되어 있습니다. 인증은 Google Cloud 기술에 대한 역량과 전문성을 검증하고 입증하는 데 도움이 됩니다.

설명서 최종 업데이트: 2025년 8월 26일

실습 최종 테스트: 2025년 7월 29일

Copyright 2025 Google LLC. All rights reserved. Google 및 Google 로고는 Google LLC의 상표입니다. 기타 모든 회사명 및 제품명은 해당 업체의 상표일 수 있습니다.