Wir alle kennen diese Situation: Man zieht eine PDF-Datei in einen Assistenten, fordert eine saubere Zusammenfassung oder die Extraktion einer Tabelle an \u2026 und erh\u00e4lt einen Text, in dem die Spalten durcheinander geraten sind, Fu\u00dfnoten mitten im Satz stehen und Tabellen zu unlesbaren Zeichenbl\u00f6cken werden. Diese Diskrepanz ist umso frustrierender, als genau diese Systeme komplexe Probleme l\u00f6sen oder Code generieren k\u00f6nnen. Das Paradoxon ist jedoch gar nicht so r\u00e4tselhaft: Das PDF-Format war nie daf\u00fcr gedacht, als strukturiertes Dokument \u201cgelesen\u201d zu werden.<\/p>\n\n\n\n
F\u00fcr uns ist ein PDF ein Dokument: ein Titel, Untertitel, Abs\u00e4tze, manchmal ein Inhaltsverzeichnis, Abbildungen, Bildunterschriften. F\u00fcr eine Maschine ist es oft etwas anderes: eine visuelle Beschreibung der Seite, eine Reihe von Anweisungen wie \u201csetze dieses Textfragment hier ein\u201d, \u201czeichne diese Linie dort\u201d, \u201czeige dieses Bild an diesen Koordinaten an\u201d. Der Inhalt wird buchst\u00e4blich auf die Seite \u201cgemalt\u201d.<\/p>\n\n\n\n
Ergebnis: Die logische Reihenfolge (die ein Mensch ganz nat\u00fcrlich befolgt) ist nicht unbedingt in der Datei enthalten. Noch bevor sie antwortet, muss die KI die Struktur des Dokuments rekonstruieren: Wo beginnt die \u00dcberschrift, wo enden die Abs\u00e4tze, was ist eine Bildunterschrift, was ist ein Kasten, was ist ein Navigationselement? Und diese Rekonstruktion geht manchmal schief.<\/p>\n\n\n\n
Im Web gibt HTML die Struktur explizit an: Das ist eine \u00dcberschrift, das ist ein Absatz, das ist eine Liste, das ist eine Tabellenzelle. \u00dcberall gibt es Wegweiser. In einer PDF-Datei kann Text enthalten sein \u2026 ohne innere Hierarchie zwischen den Textabschnitten. Selbst wenn der Inhalt \u201ckopierbar\u201d ist, gibt es keine Garantie daf\u00fcr, dass er so organisiert ist, wie man es sich vorstellt.<\/p>\n\n\n\n
Und wenn es mehrere Spalten, Rahmen, \u00fcbereinanderliegende Elemente, Grafiken, Bildunterschriften gibt \u2013 kurz gesagt, alles, was ein echtes redaktionelles Dokument ausmacht \u2013, muss die KI ableiten, was wichtig, nebens\u00e4chlich, kontextbezogen oder rein dekorativ ist. Genau hier schleichen sich Fehler ein.<\/p>\n\n\n\n
In der Praxis gibt es drei Bereiche, in denen die Fehlerquote sprunghaft ansteigt.<\/p>\n\n\n\n
Die Spalten<\/strong> Die Gem\u00e4lde<\/strong> Kopf- und Fu\u00dfzeilen sowie Fu\u00dfnoten<\/strong> Das Ironischste daran ist, dass die Extraktion zwar \u201cerfolgreich\u201d erscheinen mag (die W\u00f6rter sind vorhanden), aber dennoch unbrauchbar ist (die Struktur ist fehlerhaft). Und eine fehlerhafte Struktur f\u00fchrt zu einer wackeligen Zusammenfassung, einer ungenauen Recherche oder einer Analyse, die von Anfang an schiefgeht.<\/p>\n\n\n\n Der erste Reflex \u2013 vor allem, wenn es sich bei der PDF-Datei um einen Scan handelt \u2013 ist, die OCR-Funktion zu nutzen. Das ist n\u00fctzlich, manchmal sogar unverzichtbar. Man sollte jedoch einen einfachen Unterschied beachten: Das Erkennen von Zeichen ist nicht dasselbe wie das Verstehen der Hierarchie des Dokuments.<\/p>\n\n\n\n OCR beantwortet die Frage \u201cWelche W\u00f6rter siehst du?\u201d, nicht aber \u201cWo beginnt der Hauptgedanke?\u201d, \u201cIst das eine Bildunterschrift?\u201d oder \u201cGeh\u00f6rt dieser Satz zum Bild oder zum Absatz?\u201d. Selbst ein sehr gutes OCR-Programm kann eine korrekte Transkription liefern \u2026 und eine katastrophale Struktur.<\/p>\n\n\n\n Wenn der Text unklare Stellen enth\u00e4lt, f\u00fcllen manche KI-Systeme diese L\u00fccken. Das geschieht nicht aus b\u00f6ser Absicht, sondern ist oft eine Folge einer komplizierten Verarbeitungskette. Ist der extrahierte Text unvollst\u00e4ndig, falsch angeordnet oder gehen bei der Extraktion Passagen verloren, kann das Modell eine plausible \u2013 wenn auch nicht unbedingt korrekte \u2013 Antwort generieren.<\/p>\n\n\n\n Das passiert vor allem dann, wenn man sehr pr\u00e4zise Fragen stellt (\u201cWie hoch ist der genaue Betrag von Posten X?\u201d, \u201cWelche Ausnahmen sind in Klausel 7 aufgef\u00fchrt?\u201d) zu einem Dokument, dessen Struktur durch die Datenextraktion bereits geschw\u00e4cht wurde. Ausgehend von einer instabilen Grundlage \u201cargumentiert\u201d das Modell auf Sand.<\/p>\n\n\n\n Die Situation entwickelt sich weiter, denn PDF-Dateien enthalten eine enorme Menge an wertvollen Informationen: Berichte, Handb\u00fccher, Fachartikel, Verwaltungsdokumente. Die derzeit effektivsten Ans\u00e4tze basieren auf einer einfachen Idee: Anstatt ein allgemeines Modell alles erraten zu lassen, bereitet man den Weg besser vor.<\/p>\n\n\n\n Konkret wird das Dokument in Segmente unterteilt: Textbl\u00f6cke, \u00dcberschriften, Abschnitte, Tabellen, Abbildungen, Kopfzeilen, Fu\u00dfnoten. Man ordnet diese Bl\u00f6cke, stellt eine schl\u00fcssige Lesereihenfolge wieder her und \u00fcbergibt das Ganze dann der KI, um es zusammenzufassen, zu vergleichen oder Informationen zu extrahieren. Das ist keine Zauberei, aber es ist zuverl\u00e4ssiger.<\/p>\n\n\n\n Wenn Sie deutlich bessere Ergebnisse erzielen m\u00f6chten, ist es am zuverl\u00e4ssigsten, die PDF-Datei nicht als einfachen Textstrom zu behandeln, sondern als gestaltete Seite.<\/p>\n\n\n\n Das PDF wird noch lange ein Standard bleiben, gerade weil es das Erscheinungsbild festh\u00e4lt und die Zeit \u00fcberdauert. Doch diese St\u00e4rke ist zugleich seine Schw\u00e4che, sobald man eine Maschine dazu auffordert, \u201cwie ein Mensch\u201d zu lesen. Der richtige Ansatz besteht nicht darin, auf das perfekte Modell zu warten, sondern einen Arbeitsablauf zu w\u00e4hlen, der die Natur des PDF-Formats ber\u00fccksichtigt und zun\u00e4chst die Struktur rekonstruiert, bevor nach Sinn gesucht wird. Mit diesen Sicherheitsvorkehrungen ist KI kein Gl\u00fccksspiel mehr, sondern wird zu einem zuverl\u00e4ssigen Werkzeug \u2013 zumindest meistens.<\/p>","protected":false},"excerpt":{"rendered":" Wir alle kennen diese Situation: Man l\u00e4dt eine PDF-Datei in einen Assistenten hoch, bittet um eine saubere Zusammenfassung oder<\/p>","protected":false},"author":1,"featured_media":901,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[2],"tags":[],"class_list":["post-900","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog","comments-off"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t
Viele Tools extrahieren den Text von links nach rechts, Zeile f\u00fcr Zeile. Auf einer zweispaltigen Seite kann dies dazu f\u00fchren, dass das Ende der linken Spalte mit dem Anfang der rechten Spalte vermischt wird. Beim Lesen hat man den Eindruck, als w\u00e4re ein Absatz \u201cteleportiert\u201d worden.<\/p>\n\n\n\n
Eine Tabelle ist f\u00fcr den Computer nicht unbedingt eine Tabelle. In vielen PDF-Dateien gibt es kein logisches Raster: nur ausgerichteter Text und ein paar Linien. Das Rekonstruieren der Zellen wird zu einem R\u00e4tsel: Wo endet eine Spalte? Wo beginnt die n\u00e4chste? Ist das ein Trennzeichen oder nur ein grafischer Effekt? Bei der geringsten Unklarheit erh\u00e4lt man eine unvollst\u00e4ndige Tabelle oder, schlimmer noch: eine falsche, aber \u201csaubere\u201d Tabelle.<\/p>\n\n\n\n
Seitenzahlen, Impressumsangaben, Datumsangaben, wiederholte Kapitel\u00fcberschriften \u2026 Diese Elemente sind f\u00fcr einen Menschen optisch klar erkennbar, k\u00f6nnen jedoch mit dem Flie\u00dftext verwechselt werden, wenn das Tool nicht zwischen \u201cGestaltungselementen\u201d und Inhalt unterscheidet. Das Ergebnis: Die Zusammenfassung enth\u00e4lt Teile der Fu\u00dfzeile, oder Fu\u00dfnoten tauchen mitten in einem Satz auf.<\/p>\n\n\n\nWarum OCR nicht ausreicht<\/h2>\n\n\n\n
Und wenn die KI etwas erfindet: das heikle Thema der L\u00fccken im Text<\/h2>\n\n\n\n
Was sich verbessert: Spezialisierte Modelle und Pipelines<\/h2>\n\n\n\n
Was Sie ab sofort tun k\u00f6nnen<\/h2>\n\n\n\n
\n
Zum Schluss<\/h2>\n\n\n\n