from Building an Image Data Extractor using Gemini Vision LLM.
Gemini VisionモデルはGoogleのGeminiシリーズに属し、画像プロンプトに特化しており、画像からデータを抽出する機能を持っています。チャートやグラフ、請求書、商品ラベルなどの画像からデータを取り出すことが可能で、Gemini APIやLangchain Integrationを通じて利用できます。ただし、マルチターンのチャット会話やシステムメッセージの処理、ビデオ入力のサポートがなく、時には画像の解釈に誤りが生じることがあります。応用例としては、チャートやグラフからのデータ抽出、請求書や商品ラベルからの情報抽出があり、製品ラベルからの製品名や成分、賞味期限の抽出も可能です。将来的には、現在の制限を克服し、テキスト、画像、音声、ビデオを統合する能力を高めることで、多様なタスクの自動化に貢献することが期待されています。
