So funktioniert die KI-Datenextraktion
Zuerst wird das Dokument in Text umgewandelt: Die Textebene eines PDFs wird direkt gelesen, gescannte Seiten sowie JPG-, PNG- und WebP-Dateien durchlaufen OCR. Danach erhält ein Sprachmodell den Text zusammen mit einem JSON-Schema, das die zu füllenden Felder auflistet, und das Modell muss mit JSON antworten, das zu diesem Schema passt.
Werte stammen ausschließlich aus dem Dokument. Fehlt ein Feld, kommt es als null oder leere Liste zurück statt als Vermutung; Daten und Beträge werden normalisiert, damit das Ergebnis direkt in eine Tabelle oder Datenbank passt. Das Modell läuft auf FileConvertLabs eigenen Servern; wie hochgeladene Dateien behandelt werden, steht in der Datenschutzerklärung.
Fertige Vorlagen
Fünf Vorlagen decken die Dokumente ab, die am häufigsten abgetippt werden. Die Rechnungsvorlage liefert Lieferant, Kunde, Nummer, Rechnungs- und Fälligkeitsdatum, Währung, Zwischensumme, Steuer, Gesamtbetrag und jede Position. Die Lebenslaufvorlage liefert Kontakt, Fähigkeiten, Berufserfahrung und Ausbildung; die Vertragsvorlage Parteien, Daten, Laufzeit, Zahlungsbedingungen, anwendbares Recht, Pflichten und Unterzeichner.
Die Produktvorlage sammelt Modellnummern, Maße, Materialien, technische Daten und Zertifizierungen aus Datenblättern, die Paper-Vorlage liefert Titel, Autoren, Publikationsort, DOI, Abstract, Schlagwörter, Methoden und zentrale Ergebnisse. Sollen Tabellen Tabellen bleiben, ist PDF in Excel das bessere Werkzeug.
Eigenes Schema
Passt keine Vorlage, wählen Sie „Eigenes Schema“ und beschreiben die Felder in JSON Schema: ein Objekt mit properties, jede mit einem Typ wie string, number, boolean, array oder object und einer optionalen Beschreibung, die dem Modell sagt, wonach es suchen soll. Verschachtelte Objekte und Listen von Objekten werden unterstützt, bis zu vier Ebenen und 60 Felder.
Jede Liste ist auf eine feste Anzahl Einträge und jedes Textfeld auf eine feste Länge begrenzt, damit die Antwort immer endet. Wählen Sie kurze, sprechende Feldnamen: Das Modell sieht Namen und Beschreibungen, daher funktioniert „delivery_date“ mit der Beschreibung „YYYY-MM-DD“ besser als „d1“. Dasselbe Schema lässt sich über die API in automatisierten Abläufen senden.
Grenzen
Gelesen werden alle Seiten bis zum Seitenlimit Ihres Plans. Reicht die Verarbeitungszeit bei einem sehr langen Dokument nicht aus, umfasst das Ergebnis die bis dahin gelesenen Seiten und weist darauf hin. Dateien dürfen bis 50 MB groß sein. Scans werden zuerst per OCR erkannt, daher liefert ein sauberer, gerader Scan bessere Ergebnisse als ein schräges Foto.
Sprachmodelle können Werte falsch lesen oder übersehen, besonders bei schlechten Scans und ungewöhnlichen Layouts. Prüfen Sie wichtige Zahlen vor der Verwendung am Dokument. Um einen Scan durchsuchbar zu machen, statt Felder zu extrahieren, nutzen Sie OCR PDF.