Pengekstrak kustom dengan AI generatif

Pelatihan dan ekstraksi AI generatif memungkinkan Anda:

• Gunakan teknologi zero-shot dan few-shot untuk mendapatkan model berperforma tinggi dengan sedikit atau tanpa data pelatihan menggunakan model dasar.
• Gunakan fine-tuning untuk lebih meningkatkan akurasi saat Anda memberikan lebih banyak data pelatihan.

Metode pelatihan AI generatif

Metode pelatihan yang Anda pilih bergantung pada jumlah dokumen yang tersedia dan jumlah upaya yang tersedia untuk melatih model Anda. Ada tiga cara untuk melatih model AI generatif:

Metode pelatihan	Zero-shot	Few-shot	Fine tuning
Akurasi	Sedang	Sedang—Tinggi	Tinggi
Upaya	Rendah	Rendah	Sedang
Jumlah dokumen pelatihan yang direkomendasikan	0	5 hingga 10	10 hingga 50+

Catatan: Anda dapat mengharapkan hasil yang cukup baik dengan 10 hingga 50+ contoh pelatihan, dan performa dapat dioptimalkan lebih lanjut dengan meningkatkan jumlah contoh menjadi ratusan atau ribuan, bergantung pada kompleksitas dan variasi dokumen dan tugas ekstraksi.

Versi model pengekstrak kustom

Model berikut tersedia untuk ekstraktor kustom. Untuk mengubah versi model, lihat Mengelola versi pemroses.

Versi 1.4, 1.5, dan 1.5 Pro mendukung skor keyakinan.

Versi model	Deskripsi	Saluran rilis	Pemrosesan ML di AS/Uni Eropa	Penyesuaian di AS/Uni Eropa	Tanggal rilis
pretrained-foundation-model-v1.5-2025-05-05	Kandidat siap produksi yang didukung oleh LLM Gemini 2.5 Flash. Direkomendasikan bagi mereka yang ingin bereksperimen dengan model yang lebih baru.	Stabil	Ya	AS, Uni Eropa	5 Mei 2025
pretrained-foundation-model-v1.5-pro-2025-06-20	Model siap produksi yang didukung oleh LLM Gemini 2.5 Pro. Mendukung kuota hingga 30 halaman per menit untuk permintaan proses online. Model ini memiliki kualitas yang lebih baik dibandingkan dengan v1.5, dan mungkin memiliki latensi yang lebih tinggi.	Stabil	Ya	Tidak	20 Juni 2025
pretrained-foundation-model-v1.5.1-2025-08-07	Model pratinjau publik yang didukung oleh LLM Gemini 2.5 Flash. Model ini memiliki fitur yang sama dengan v1.5, dan telah meningkatkan pemelajaran beberapa tahap adaptif.	Kandidat rilis	Ya	Tidak	8 Agustus 2025
pretrained-foundation-model-v1.6-pro-2025-12-01	Model pratinjau yang didukung oleh LLM Gemini 3 Pro. Catatan: Versi pemroses ini menggunakan endpoint global Vertex AI Gemini dan tidak mematuhi standar Residensi Data (DMZ). Misalnya, permintaan di endpoint AS dan Uni Eropa mungkin dirutekan ke mana saja secara global.	Kandidat rilis	Ya	Tidak	1 Desember 2025
pretrained-foundation-model-v1.6-2026-01-13	Model pratinjau yang didukung oleh LLM Gemini 3 Flash. Catatan: Versi pemroses ini menggunakan endpoint global Vertex AI Gemini dan tidak mematuhi standar Residensi Data (DMZ). Misalnya, permintaan di endpoint AS dan Uni Eropa mungkin dirutekan ke mana saja secara global.	Kandidat rilis	Ya	Tidak	13 Januari 2026
pretrained-foundation-model-v3.1-lite-2026-07-15	Model pratinjau yang didukung oleh LLM Gemini 3.1 Lite. Mendukung Endpoint Multi-Region (mREP) di AS dan Uni Eropa. Catatan: CMEK tidak didukung sepenuhnya di semua region dan detail tertentu tidak dienkripsi. Dukungan memerlukan izin akses, hubungi Google Cloud tim akun Anda untuk informasi selengkapnya.	Kandidat rilis	Ya	Ya	21 September 2026
pretrained-foundation-model-v3.5-2026-05-26	Model pratinjau yang didukung oleh LLM Gemini 3.5 Flash.	Kandidat rilis	Ya	Tidak	26 Mei 2026

Untuk mengubah versi pemroses dalam project Anda, tinjau Mengelola versi pemroses.

Untuk membuat Permintaan Peningkatan Kuota (QIR) untuk kuota pemroses default, ikuti langkah-langkah untuk meminta penyesuaian kuota.

Penyiapan awal

Jika belum, aktifkan penagihan dan Document AI API.

Membangun dan mengevaluasi model AI generatif

1. Buat pemroses dan tentukan kolom yang ingin Anda ekstrak dengan mengikuti praktik terbaik, yang penting karena memengaruhi kualitas ekstraksi.

   • Buka Workbench > Custom extractor > Create processor > Assign a name.

   

   • Buka Mulai > Buat kolom baru.

   

   Catatan: Nama kolom dengan model dasar dapat sangat memengaruhi akurasi dan performa model. Sebaiknya gunakan nama yang deskriptif.

2. Mengimpor dokumen

   • Impor dokumen dengan pemberian label otomatis dan tetapkan dokumen ke set pelatihan dan pengujian.
   • Untuk zero-shot, hanya skema yang diperlukan. Untuk mengevaluasi akurasi model, hanya set pengujian yang diperlukan.
   • Untuk few-shot, sebaiknya gunakan lima dokumen pelatihan.
   • Jumlah dokumen pengujian yang diperlukan bergantung pada kasus penggunaan. Umumnya, makin banyak dokumen pengujian, makin baik.
   • Konfirmasi atau edit label dalam dokumen.

3. Melatih model:

   • Pilih Build, lalu Buat versi baru.
   • Masukkan nama, lalu pilih Buat.

   

Catatan: Setiap fine-tuning mungkin memerlukan waktu berjam-jam untuk diselesaikan (bergantung pada beban sistem, bukan ukuran tugas fine-tuning) dan akan habis waktu setelah 72 jam. Jika fine-tuning selesai dalam waktu tersebut, berarti prosesnya berfungsi sebagaimana mestinya.

Tips: Untuk mengurangi hambatan siklus pengembangan, jadwalkan tugas fine-tuning untuk memperhitungkan waktu ini. Misalnya, pada akhir hari Jumat atau hari yang berbeda untuk pemroses yang berbeda.

1. Evaluasi:

   • Buka Evaluate & test, pilih versi yang baru saja Anda latih, lalu pilih View full evaluation.

   

   • Sekarang Anda akan melihat metrik seperti f1, presisi, dan perolehan untuk seluruh dokumen dan setiap kolom.
   • Tentukan apakah performa memenuhi sasaran produksi Anda. Jika tidak, evaluasi ulang set pelatihan dan pengujian.

2. Menetapkan versi baru sebagai default:

   • Buka Manage versions.
   • Pilih untuk meluaskan opsi, lalu pilih Setel sebagai default.
   Catatan: Pastikan Status versi di-deploy. Jika belum, pilih versi deployment terlebih dahulu. Sekarang Anda dapat menetapkan versi baru sebagai default.

   

   Model Anda kini telah di-deploy. Dokumen yang dikirim ke pemroses ini menggunakan versi kustom Anda. Anda dapat mengevaluasi performa model untuk memeriksa apakah model memerlukan pelatihan lebih lanjut.

Referensi evaluasi

Mesin evaluasi dapat melakukan pencocokan persis atau pencocokan fuzzy. Untuk pencocokan persis, nilai yang diekstrak harus sama persis dengan kebenaran nyata atau dihitung sebagai tidak cocok.

Ekstraksi pencocokan fuzzy yang memiliki sedikit perbedaan seperti perbedaan kapitalisasi masih dihitung sebagai kecocokan. Hal ini dapat diubah di layar Evaluation.

Fine tuning

Dengan fine-tuning, Anda menggunakan ratusan atau ribuan dokumen untuk pelatihan.

1. Buat pemroses dan tentukan kolom yang ingin Anda ekstrak dengan mengikuti praktik terbaik, yang penting karena memengaruhi kualitas ekstraksi.

   Catatan: Nama kolom dengan model dasar dapat sangat memengaruhi akurasi dan performa model. Pastikan untuk memberikan nama yang deskriptif.

2. Impor dokumen dengan pelabelan otomatis, dan tetapkan dokumen ke set pelatihan dan pengujian.

3. Konfirmasi atau edit label dalam dokumen.

4. Latih model.

   • Pilih tab Build, lalu pilih Create New Version di kotak Fine-tuning.

   

   Catatan: Fine-tuning akan menyesuaikan model dasar, yang direkomendasikan, sedangkan Train a custom model akan melatih model konvensional yang tidak berbasis AI Generatif.

   • Coba parameter atau nilai pelatihan default yang disediakan. Jika hasilnya tidak memuaskan, bereksperimenlah dengan opsi lanjutan berikut:

   • Langkah pelatihan (antara 1 dan 400): Juga dikenal sebagai epoch, langkah pelatihan mengontrol seberapa sering bobot dioptimalkan pada batch data selama penyesuaian.

     • Nilai yang terlalu rendah menunjukkan risiko bahwa pelatihan berakhir sebelum konvergensi (under-fitting).
     • Jika terlalu tinggi, model mungkin akan melihat batch data yang sama beberapa kali selama pelatihan, yang dapat menyebabkan overfitting.
     • Langkah yang lebih sedikit akan mempercepat waktu pelatihan. Jumlah yang lebih tinggi dapat membantu untuk dokumen dengan sedikit variasi template (dan jumlah yang lebih rendah untuk dokumen dengan lebih banyak variasi).
     Catatan: Konsol Google Cloud mendukung 1 hingga 40 langkah pelatihan. Untuk menetapkan nilai yang lebih tinggi, gunakan REST API.

   • Pengganda kecepatan pembelajaran (antara 0,1 dan 10): Mengontrol seberapa cepat parameter model dioptimalkan pada data pelatihan. Kecepatan ini kurang lebih sesuai dengan ukuran setiap langkah pelatihan.

     • Kecepatan rendah berarti perubahan kecil pada bobot model di setiap langkah pelatihan. Jika terlalu rendah, model mungkin tidak akan konvergen ke solusi yang stabil.
     • Tingkat yang tinggi menunjukkan perubahan yang besar, dan tingkat yang terlalu tinggi dapat berarti model melompati solusi optimal dan malah mengarah ke solusi suboptimal.
     • Waktu pelatihan tidak dipengaruhi oleh pilihan kecepatan pembelajaran.

   • Beri nama, pilih versi pemroses dasar yang diperlukan, lalu pilih Create.

   

5. Evaluasi: Buka Evaluate & test, lalu pilih versi yang baru saja Anda latih dan pilih View full evaluation.

   

   • Sekarang Anda akan melihat metrik seperti f1, presisi, dan perolehan untuk seluruh dokumen dan setiap kolom.
   • Tentukan apakah performa memenuhi sasaran produksi Anda. Jika tidak, dokumen pelatihan lebih lanjut mungkin diperlukan.

6. Tetapkan versi baru sebagai default:

   • Buka Manage versions.
   • Pilih untuk meluaskan opsi, lalu pilih Setel sebagai default.

   

   Catatan: Pastikan status versi telah di-deploy. Jika tidak, pilih Deploy version. Sekarang Anda dapat menetapkan versi baru sebagai default saat statusnya diubah menjadi di-deploy.

   Model Anda kini telah di-deploy dan dokumen yang dikirim ke pemroses ini sekarang menggunakan versi kustom Anda. Anda ingin mengevaluasi performa model untuk memeriksa apakah model tersebut memerlukan pelatihan lebih lanjut.

Pelabelan otomatis dengan model dasar

Model dasar dapat mengekstrak kolom secara akurat untuk berbagai jenis dokumen, tetapi Anda juga dapat menyediakan data pelatihan tambahan untuk meningkatkan akurasi model untuk struktur dokumen tertentu.

Document AI menggunakan nama label yang Anda tentukan dan anotasi sebelumnya untuk mempercepat dan mempermudah pelabelan dokumen dalam skala besar dengan pelabelan otomatis.

1. Setelah Anda membuat pemroses kustom, buka tab Get Started.
2. Pilih Create New Field.

3. Beri label nama yang deskriptif dan berbeda. Pilih Extract untuk nilai langsung dari dokumen atau Derive untuk nilai yang disimpulkan oleh sistem. Hal ini meningkatkan akurasi dan performa model dasar.

   

4. Untuk akurasi dan performa ekstraksi, tambahkan deskripsi (seperti konteks, insight, dan pengetahuan sebelumnya untuk setiap entity) untuk jenis entity yang harus diambil.

   Catatan: Terlepas dari struktur atau variasi konten, aturan akan mendukung ekstraksi yang andal dan konsisten. Untuk memandu model dan meminimalkan kebingungan dalam dokumen, sertakan deskripsi properti dengan informasi lokasi dan pola teks nilai properti.

   

   Catatan: Deskripsi dapat diperbarui. Namun, perubahan tersebut tidak akan disebarkan ke versi pemroses kustom. Snapshot deskripsi ada di versi pemroses kustom.

5. Buka tab Build, lalu pilih Import Documents.

   

6. Pilih jalur dokumen dan set tempat dokumen harus diimpor. Centang opsi pemberian label otomatis dan pilih model dasar.

7. Di tab Build, pilih Manage Dataset.

8. Saat Anda melihat dokumen yang diimpor, pilih salah satunya.

   

Prediksi dari model kini ditampilkan dan ditandai dengan warna ungu.

1. Tinjau setiap label yang diprediksi oleh model, dan pastikan label tersebut sudah benar.

2. Jika ada kolom yang tidak ada, tambahkan juga kolom tersebut.

   Catatan: Semua kolom harus seakurat mungkin, atau performa model akan menurun. Detail selengkapnya tentang pemberian label.

   

3. Setelah dokumen ditinjau, pilih Mark as Labeled. Dokumen kini siap digunakan oleh model.

4. Pastikan dokumen berada dalam set pengujian atau set pelatihan.

Penyusunan bertingkat tiga tingkat

Pengekstrak Kustom kini menyediakan tiga tingkat pengelompokan. Fitur ini memberikan ekstraksi yang lebih baik untuk tabel yang kompleks.

Catatan: Tiga tingkat penyusunan bertingkat hanya didukung jika menggunakan jenis model AI generatif ("Foundation") dalam Custom Extractor. Model ekstraksi, klasifikasi, dan pemisahan hanya mendukung dua tingkat penyusunan bertingkat.

Anda dapat menentukan jenis model menggunakan panggilan API berikut:

• processors.get
• processorVersions.get

Responsnya adalah ProcessorVersion, yang berisi kolom modelType di pratinjau v1beta3.

Prosedur dan contoh

Kami menggunakan sampel ini:

1. Pilih Get Started, lalu buat kolom:

   • Buat tingkat teratas.
   • Dalam contoh ini, officer_appointments digunakan.
   • Pilih Ini adalah label induk.
   • Pilih Kemunculan: Optional multiple.

   

2. Pilih Add child field. Label tingkat kedua kini dapat dibuat:

   • Untuk label level ini, buat officer.
   • Pilih Ini adalah label induk.
   • Pilih Kemunculan: Optional multiple.

   

3. Pilih Add child field dari officer tingkat kedua. Buat label turunan untuk tingkat bertingkat ketiga.

4. Setelah skema ditetapkan, Anda bisa mendapatkan prediksi dari dokumen dengan tiga tingkat bertingkat menggunakan pelabelan otomatis.

   

Memberi label pada entity bertingkat lintas halaman

Pemroses pretrained-foundation-model-v1.5-2025-05-05 mendukung penyusunan bertingkat tiga tingkat di seluruh halaman.

1. Beri label pada entity secara normal di seluruh halaman. Catatan: Entitas yang diberi label hanya akan terlihat di halaman tempat entitas tersebut diberi label, dengan menu navigasi yang berubah dari halaman ke halaman. Dengan menyematkan entitas induk, menu navigasi ini akan tetap ada.

   

2. Sematkan entitas induk dengan turunan yang ingin Anda beri label di seluruh halaman.

   

3. Buka halaman yang berisi entitas turunan yang akan diberi label.

Catatan: Parent entity juga dapat dilepas sematannya, sehingga hanya terlihat di halaman yang diberi label sebelumnya.

Konfigurasi set data

Set data dokumen diperlukan untuk melatih, melakukan up-train, atau mengevaluasi versi pemroses. Pemroses Document AI belajar dari contoh, sama seperti manusia. Set data mendukung stabilitas prosesor dalam hal performa.

Set data pelatihan

Untuk meningkatkan kualitas model dan akurasinya, latih set data pada dokumen Anda. Model ini terdiri dari dokumen dengan kebenaran nyata.

• Untuk penyesuaian, Anda memerlukan minimal 50 dokumen pelatihan dan 50 dokumen pengujian untuk melatih model baru dengan versi pretrained-foundation-model-v1.5-2025-05-05.
• Untuk few-shot, sebaiknya gunakan lima dokumen.
• Untuk zero-shot, hanya skema yang diperlukan.

Kebenaran nyata adalah data yang diberi label dengan benar, seperti yang ditentukan oleh manusia.

Set data pengujian

Set data pengujian adalah set data yang digunakan model untuk menghasilkan skor F1 (akurasi). Set data ini terdiri dari dokumen dengan kebenaran nyata. Untuk melihat seberapa sering model memberikan jawaban yang benar, kebenaran nyata digunakan untuk membandingkan prediksi model (kolom yang diekstrak dari model) dengan jawaban yang benar. Set data pengujian harus memiliki minimal 50 dokumen untuk pretrained-foundation-model-v1.5-2025-05-05.

Pengekstrak kustom dengan deskripsi properti

Dengan deskripsi properti, Anda dapat melatih model dengan mendeskripsikan seperti apa kolom berlabel tersebut. Anda dapat memberikan konteks dan insight tambahan untuk setiap entity. Hal ini memungkinkan model untuk berlatih dengan mencocokkan kolom yang sesuai dengan deskripsi yang Anda berikan dan meningkatkan akurasi ekstraksi. Deskripsi properti dapat ditentukan untuk entity induk dan turunan.

Contoh deskripsi properti yang baik mencakup informasi lokasi dan pola teks nilai properti, yang membantu memperjelas potensi sumber kebingungan dalam dokumen. Deskripsi properti yang jelas dan tepat memandu model dengan aturan yang mendukung ekstraksi yang lebih andal dan konsisten, terlepas dari struktur dokumen atau variasi konten tertentu.

Memperbarui skema dokumen untuk pemroses

Untuk mengetahui cara menetapkan deskripsi properti, lihat Memperbarui skema dokumen.

Mengirim permintaan pemrosesan dengan deskripsi properti

Jika skema dokumen sudah memiliki deskripsi yang ditetapkan, Anda dapat mengirim permintaan proses dengan petunjuk di Mengirim permintaan pemrosesan.

Menyesuaikan pemroses dengan deskripsi properti

Sebelum menggunakan salah satu data permintaan, lakukan penggantian berikut:

• LOCATION: lokasi pemroses Anda, misalnya:
  • us - Amerika Serikat
  • eu - Uni Eropa
• PROJECT_ID: Project ID Google Cloud Anda.
• PROCESSOR_ID: ID pemroses kustom Anda.
• DISPLAY_NAME: Nama tampilan untuk pemroses.
• PRETRAINED_PROCESSOR_VERSION: ID versi pemroses. Lihat Memilih versi pemroses untuk mengetahui informasi selengkapnya. Misalnya:
  • pretrained-TYPE-vX.X-YYYY-MM-DD
  • stable
  • rc
• TRAIN_STEPS: Langkah-langkah pelatihan untuk penyesuaian model.
• LEARN_RATE_MULTIPLIER: Pengganda kecepatan pembelajaran untuk penyesuaian model.
• DOCUMENT_SCHEMA: Skema untuk pemroses. Lihat Representasi DocumentSchema.

Metode HTTP dan URL:

POST https://LOCATION-documentai.googleapis.com/v1beta3/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process

Meminta isi JSON:

{
  "rawDocument": {
      "parent": "projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID",
         "processor_version": {
             "name": "projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/DISPLAY_NAME",
             "display_name": "DISPLAY_NAME",
             "model_type": "MODEL_TYPE_GENERATIVE",
         },
         "base_processor_version": "projects/PROJECT_ID/locations/us/processors/PROCESSOR_ID/processorVersions/PRETRAINED_PROCESSOR_VERSION",
         "foundation_model_tuning_options": {
             "train_steps": TRAIN_STEPS,
             "learning_rate_multiplier": LEARN_RATE_MULTIPLIER,
         }
         "document_schema": DOCUMENT_SCHEMA
      }
}

Untuk mengirim permintaan Anda, pilih salah satu opsi berikut:

curl

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke gcloud CLI menggunakan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login , atau dengan menggunakan Cloud Shell, yang secara otomatis membuat Anda login ke gcloud CLI . Anda dapat memeriksa akun yang saat ini aktif dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-documentai.googleapis.com/v1beta3/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process"

PowerShell

Catatan: Perintah berikut mengasumsikan bahwa Anda telah login ke gcloud CLI menggunakan akun pengguna Anda dengan menjalankan gcloud init atau gcloud auth login. Anda dapat memeriksa akun yang saat ini aktif dengan menjalankan gcloud auth list.

Simpan isi permintaan dalam file bernama request.json, dan jalankan perintah berikut:

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-documentai.googleapis.com/v1beta3/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process" | Select-Object -Expand Content

Ekstraktor kustom dengan deteksi tanda tangan

Pratinjau

Produk ini tunduk pada "Persyaratan Penawaran Pra-GA" di bagian Persyaratan Layanan Umum dari Persyaratan Khusus Layanan. Produk pra-GA tersedia "sebagaimana adanya" dan mungkin memiliki dukungan terbatas. Untuk mengetahui informasi selengkapnya, lihat deskripsi tahap peluncuran.

(Pratinjau publik) Pengekstrak kustom mendukung deteksi tanda tangan. Dengan fitur ini, Anda dapat mendeteksi keberadaan tanda tangan dalam dokumen. Deteksi tanda tangan hanya tersedia dengan menggunakan jenis metode derived. Anda dapat menentukan skema dengan jenis entity signature untuk entity tersebut. Entity tanda tangan diperoleh menggunakan petunjuk visual dari dokumen.

Untuk contoh dan petunjuk konfigurasi, klik Custom extractor with derived field and signature detection.

Pengekstrak kustom dengan kolom turunan

Pratinjau

Produk ini tunduk pada "Persyaratan Penawaran Pra-GA" di bagian Persyaratan Layanan Umum dari Persyaratan Khusus Layanan. Produk pra-GA tersedia "sebagaimana adanya" dan mungkin memiliki dukungan terbatas. Untuk mengetahui informasi selengkapnya, lihat deskripsi tahap peluncuran.

Ekstraktor kustom mendukung kolom turunan. Dengan fitur ini, Anda dapat mengonfigurasi kolom untuk diisi melalui inferensi atau pembuatan cerdas berdasarkan konteks dokumen, bukan ekstraksi teks langsung. Anda dapat menggunakannya untuk kasus penggunaan seperti menyimpulkan negara dari alamat, meringkas dokumen, menghitung item dalam tabel, atau mendeteksi apakah ID autentik, tanpa mengharuskan nilai tersebut ada secara eksplisit dalam teks.

Untuk contoh dan petunjuk konfigurasi, klik Pengekstrak kustom dengan kolom turunan dan deteksi tanda tangan.

Penting: Kolom turunan dibuat per halaman. Baca batasan kolom turunan untuk mengetahui informasi selengkapnya.

Langkah berikutnya

Pelajari Pengekstrak kustom dengan kolom turunan dan deteksi tanda tangan.