Strukturierte Daten aus PDFs zuverlässig gewinnen
Unternehmen erhalten täglich große Mengen an Dokumenten – Rechnungen, Mahnungen, Verträge oder Bescheinigungen.
Obwohl viele dieser Dokumente digital vorliegen oder per OCR erfasst wurden, bleiben sie zunächst unstrukturierter Fließtext.
Erst durch gezielte Verarbeitung werden daraus maschinenlesbare Informationen.
1. PDF Klassifikation – Dokumente automatisch erkennen
Der erste Schritt ist die PDF Klassifikation.
Ein eingehendes Dokument wird einer fachlichen Kategorie zugeordnet, zum Beispiel:
- Rechnung
- Mahnung
- SEPA-Mandat
- individueller Dokumenttyp
Technische Grundlage
Damit ein Modell mit Text arbeiten kann, wird Fließtext in eine numerische Repräsentation (Vektor) umgewandelt. Typische Verfahren:
- Tokenisierung (Zerlegung in Wortbestandteile)
- Wörterbuchbasierte Encodings
- N-Grams zur Berücksichtigung von Wortkombinationen
- Einbeziehung von Layout-Merkmalen
Das Modell gibt neben der Kategorie immer eine Konfidenz aus.
Diese Sicherheitsschätzung steuert die weitere Verarbeitung.
2. PDF Werte Extraktion – Struktur aus Text gewinnen
Nach erfolgreicher Dokument Kategorisierung folgt die PDF Werte Extraktion.
Am Beispiel einer Rechnung können relevante Felder sein:
- IBAN
- Rechnungsdatum
- Lieferdatum
- Zahlungsziel
- Betrag
Vorgehensweise
- Identifikation potenzieller Kandidaten (z. B. per Mustererkennung für Datumsformate)
- Bewertung jedes Treffers anhand von: Position auf dem Dokument, Nachbarwörtern („Rechnungsdatum:“), Formatierung
- Klassifikation als relevantes Feld oder nicht
Auch hier wird jedem extrahierten Wert eine Konfidenz zugeordnet.
Bei niedriger Sicherheit oder Widersprüchen erfolgt eine manuelle Prüfung.
3. Mensch-in-der-Schleife
Ein vollständig automatisiertes System benötigt gezielte Rückkopplung.
- Unsichere Felder werden markiert
- Vorschläge sind bereits vorbelegt
- Mitarbeitende prüfen nur relevante Stellen
- Monotone Tätigkeiten entfallen
Dieses Feedback verbessert kontinuierlich die Modelle.
4. Machine Learning Monitoring Feedback
Produktive Systeme müssen überwacht werden.
Zwei zentrale Risiken:
- Modelländerung (z. B. neues Modell ersetzt altes)
- Datenverschiebung (neue Dokumenttypen, neue Formate)
Zur Kontrolle werden Modell und Daten systematisch verglichen: Neu vs. alt.
Abweichungen zeigen, ob ein Modellproblem oder ein Datenproblem vorliegt.
Fazit
Effiziente Informationsextraktion aus Fließtext erfordert:
- zuverlässige PDF Klassifikation
- präzise PDF Werte Extraktion
- saubere Dokument Kategorisierung
- strukturiertes Machine Learning Monitoring Feedback