Amazon Textract ปรับโมเดล OCR รองรับกว่า 40 ภาษาโดยไม่ต้องเปลี่ยน API

AWS ประกาศวันที่ 2 พฤศจิกายน 2026 ว่า Amazon Textract ใช้โมเดลตรวจจับข้อความรุ่นปรับปรุงแล้ว การเปลี่ยนแปลงครอบคลุม DetectDocumentText และ AnalyzeDocument โดยบริการเลือกโมเดลใหม่ให้คำขอเดิมอัตโนมัติ ไม่ต้องเปลี่ยนรูปแบบ request หรือ response จุดที่ทีมพัฒนาเอกสารควรสนใจไม่ใช่เพียงจำนวนภาษาที่เพิ่ม แต่เป็นผลลัพธ์ OCR ที่อาจเปลี่ยนจากเดิมแม้โค้ดเรียก API ยังเหมือนเดิม เพราะระบบปลายทางมักมี validation, mapping และกฎธุรกิจที่อาศัยข้อความจากเอกสาร

รองรับภาษาเพิ่มและอ่านตารางหลายภาษาได้ดีขึ้น

AWS ระบุว่าโมเดลใหม่รองรับมากกว่า 40 ภาษา รวมทั้งอาหรับ จีนตัวย่อและตัวเต็ม ญี่ปุ่น เกาหลี ฮินดี และภาษาในยุโรปอีกหลายภาษา การอ่านคำยาวและลายมือได้รับการปรับปรุง ส่วนการดึงข้อความจากตารางหลายภาษาทำงานกับเซลล์รวม ตารางเอียงหรือหมุน และตารางที่บางส่วนเสียหายได้ดีขึ้น ประโยชน์จะเห็นได้ในใบแจ้งหนี้ แบบฟอร์ม เอกสารประจำตัว และเอกสารสแกนที่มีทั้งโครงสร้างตารางและข้อความอิสระ แต่ประกาศนี้ไม่ได้ให้ตัวเลข accuracy รายภาษา จึงไม่ควรรับประกันคุณภาพกับข้อมูลขององค์กรโดยไม่ทดสอบ

แม้การรองรับภาษาเพิ่มเป็นข่าวสำคัญสำหรับงานข้ามประเทศ รายชื่อภาษาที่ AWS ประกาศไม่มีภาษาไทย ทีมที่รับเอกสารภาษาไทยควรทดสอบตัวอย่างจริงและตรวจคู่มือบริการล่าสุดก่อนเปลี่ยนกระบวนการผลิต โดยเฉพาะเอกสารที่มีไทยปนอังกฤษหรือตัวเลข ผลที่ได้อาจขึ้นกับคุณภาพภาพ ความคมชัด ลักษณะตัวพิมพ์ และการจัดหน้า การกล่าวว่าโมเดลรองรับมากกว่า 40 ภาษาไม่เท่ากับรองรับทุกภาษาในเอกสารชุดหนึ่ง

API ไม่เปลี่ยน แต่ผลลัพธ์ควรทดสอบซ้ำ

DetectDocumentText เหมาะกับการอ่านข้อความและพิกัดบนหน้า ส่วน AnalyzeDocument เพิ่มการวิเคราะห์องค์ประกอบเอกสารตาม feature ที่ขอ เช่น ตารางและฟอร์ม โมเดลใหม่ถูกใช้กับ API ทั้งสองโดยอัตโนมัติ จึงไม่มี migration ของ schema ให้ทำ อย่างไรก็ตาม เมื่อข้อความที่จำแนกได้เปลี่ยน จำนวน block, ขอบเขตพิกัด, confidence หรือความสัมพันธ์ของเซลล์อาจแตกต่างจากชุดทดสอบเดิม ทีมควรเก็บชุดเอกสารอ้างอิงที่มีคำตอบตรวจด้วยคน แล้วเทียบผลก่อนและหลัง rollout ในระดับ field ที่ระบบใช้จริง ไม่เพียงดูว่า API ตอบ 200

สำหรับ workflow ใบแจ้งหนี้ สิ่งที่ควรเทียบคือชื่อผู้ขาย เลขเอกสาร วันที่ รายการสินค้า ยอดรวม และภาษาที่อยู่ในช่องเดียวกัน หากระบบใช้ regex หรือ rule เพื่อจับเลขที่เอกสาร ต้องดูว่าการอ่านอักขระคล้ายกัน เช่น 0 กับ O หรือ 1 กับ I เปลี่ยนหรือไม่ สำหรับตาราง ให้ทดสอบ merged cells, หัวตารางหลายชั้น แถวที่ขาดบางส่วน และภาพเอียง เนื่องจาก AWS ระบุว่าโมเดลปรับปรุงกรณีเหล่านี้โดยเฉพาะ ความแม่นยำที่เพิ่มขึ้นอาจทำให้แถวหรือเซลล์ถูกแยกต่างจากที่ logic เดิมคาดไว้

ออกแบบเส้นทางตรวจด้วยคนสำหรับเอกสารสำคัญ

ผล OCR เป็นข้อมูลตั้งต้น ไม่ควรใช้แทนการตรวจเอกสารต้นฉบับในธุรกรรมที่มีผลทางการเงินหรือสิทธิ์เข้าถึง ทีมสามารถตั้งเกณฑ์ confidence ตาม field และให้เอกสารที่ต่ำกว่าเกณฑ์เข้าสู่คิวตรวจด้วยคน ควรบันทึกเวอร์ชันโมเดลหรือ metadata ที่ API ให้มา พร้อม hash ของภาพต้นฉบับ เพื่ออธิบายได้ภายหลังว่าทำไมข้อความที่อ่านจากเอกสารเดียวกันในสองช่วงเวลาไม่ตรงกัน หากงานใช้ AnalyzeDocument ให้เก็บความสัมพันธ์ของ block และตำแหน่ง ไม่ใช่เก็บเพียงข้อความที่ต่อกัน เพราะโครงสร้างตารางมีผลต่อความหมายของข้อมูล

ทีมปฏิบัติการควรติดตามอัตราเอกสารที่ต้องตรวจซ้ำ เวลาประมวลผล ค่าใช้จ่าย และ error ของแต่ละประเภทเอกสารหลังโมเดลใหม่เริ่มให้บริการ AWS บอกว่าเปิดใช้ในทุก Region ที่ Textract มีอยู่ แต่การเพิ่มภาษาและความแม่นยำไม่ใช่เหตุให้ลบขั้นตอน validation ทันที แนวทางที่ปลอดภัยคือทดสอบชุดเอกสารจริงหลายภาษา กำหนดเกณฑ์รับผล เปรียบเทียบกับ baseline แล้วปรับกฎ parsing เฉพาะจุดที่ผลใหม่ทำให้ดีขึ้นอย่างวัดได้

แหล่งข่าว: ประกาศ AWS วันที่ 2 พฤศจิกายน 2026 และ คู่มือ Detecting Text ของ Amazon Textract