Die Zahl, die Sie benötigen, befindet sich in einer Tabelle, an der Schnittstelle einer Zeile und einer Spalte. Wenn Sie ein PDF in Text flachziehen, geht diese Schnittstelle verloren: Die Beschriftung landet an einem Ort, der Wert an einem anderen, und das Modell bleibt beim Raten zurück. Tabellen sind dort, wo naives Parsing die Antwort im RAG stillschweigend verliert.

Dieser Artikel ist ein Bonus in der Serie Enterprise Document Intelligence, die ein unternehmensweites RAG-System aus vier Bausteinen aufbaut. Er fasst Fragmente zu einer kohärenten Behandlung zusammen, warum Tabellen die Pipeline zerstören und was stattdessen zu tun ist. Neu in der Serie? Jeder Artikel der Serie befindet sich auf den Autorenseiten von Towards Data Science von Angela Shi und Kezhan Shi.

Der Standard-RAG-Pipeline liest ein PDF, teilt es in Text-Chunks auf, bettet diese Chunks ein und ruft die beste Übereinstimmung ab. Sobald die Antwort innerhalb einer Tabellenzelle liegt, beginnt die Standard-RAG-Pipeline, Zahlen zu hallucinieren, und oft bemerkt niemand dies, bevor ein Auditor das Quelldokument öffnet. Eine Tabelle in einem PDF ist keine Tabelle im Daten-sinn: Sie ist eine Menge von Rechtecken, die auf einer Seite gezeichnet sind, mit Text, der in den Zellen positioniert ist, oft ohne explizite Zeilen- oder Spaltenmarker.

Der Parser muss das Gitter aus der räumlichen Geometrie rekonstruieren. Wenn er das nicht schafft, gehen drei Dinge gleichzeitig schief: Die Zeilen- und Spaltenstruktur geht verloren, der Header befindet sich oft nur auf der ersten Seite einer mehrseitigen Tabelle, und die zitierbasierte Disziplin auf Zeilenebene bricht zusammen. Der richtige Ansatz besteht nicht darin, Tabellen besser als Text zu behandeln, sondern sie so früh wie möglich in ihre ursprüngliche strukturierte Form zurückzuführen und sie als Daten zu behandeln.

Die gleiche Tabelle kann in der Pipeline auf vier verschiedenen Strukturstufen existieren, und die Wahl der richtigen Stufe ist die erste Entwurfsentscheidung, bevor irgendeine Operation ausgeführt wird.