PDFs, Scans und Tabellen für RAG vorbereiten

Die RAG-Aufbereitung unterscheidet drei Arten von PDF; die Unterschiede beeinflussen Qualität, Kosten und Fehlersuche.

Prüfen Sie nicht nur, ob sich Text markieren lässt. Die interne Reihenfolge kann trotzdem falsch sein, insbesondere bei mehreren Spalten oder frei positionierten Textfeldern. Eine vorhandene OCR-Schicht kann außerdem veraltet oder fehlerhaft sein.

Erfassen Sie pro Dokument, welcher Extraktionsweg verwendet wurde und welche Seiten problematisch sind. Bei einem großen Handbuch sollte eine unlesbare Anhangsseite nicht still als leere, erfolgreich verarbeitete Seite erscheinen. Sie benötigt einen sichtbaren Prüfstatus.

Wählen Sie Fragen, die das tatsächliche Dokument verwenden: eine Produktkennung finden, eine Voraussetzung erklären, einen Tabellenwert mit Einheit nennen oder eine Ausnahme im Anhang berücksichtigen. Halten Sie die richtige Fundstelle bereits im Original fest.

Diese Referenzen machen Fehler lokalisierbar. Fehlt später ein Zahlenwert, können Sie prüfen, ob er in der Extraktion verloren ging, im falschen Chunk landete oder bei der Suche nicht ausgewählt wurde. Ohne Referenz wirkt jeder Fehler wie ein allgemeines KI-Problem.

Nehmen Sie bewusst schwierige Seiten auf: schräger Scan, kleine Schrift, mehrspaltiges Layout, wiederholte Kopfzeilen und Tabellen über Seitenwechsel. Eine Auswahl ausschließlich sauberer Titelseiten überschätzt die Integrationsqualität.

OCR erkennt Zeichen. Layoutanalyse versucht zusätzlich, Elemente wie Absätze, Überschriften und Tabellen zuzuordnen. Microsoft dokumentiert für Document Intelligence eine Layoutanalyse mit Text- und Strukturausgabe. Welche Formate und Funktionen verfügbar sind, hängt von der konkreten Version ab. Microsoft: Document Layout Analysis.

Eine erkannte Struktur ist dennoch ein Verarbeitungsergebnis, das geprüft werden muss. Ein Tabellenrahmen kann richtig erkannt sein, während eine Zahl der falschen Spalte zugeordnet wird. Ein hoher allgemeiner Erkennungswert belegt nicht, dass gerade die entscheidende Frist richtig gelesen wurde.

Für den Betrieb ist deshalb eine Auswahl fachlich wichtiger Felder sinnvoll. Produktnummer, Betrag, Einheit, Datum und Negation können eine Entscheidung stärker verändern als ein falsch gelesenes Füllwort. Richten Sie die Prüfung nach diesen Auswirkungen aus.

Bei zweispaltigen Dokumenten kann eine einfache Extraktion Text zeilenweise zwischen beiden Spalten vermischen. Die resultierenden Sätze wirken manchmal grammatisch plausibel, beschreiben aber keinen tatsächlichen Absatz. Prüfen Sie den Text daher abschnittsweise gegen die Seite.

Wiederkehrende Kopf- und Fußzeilen können jeden Chunk dominieren. Entfernen oder kennzeichnen Sie solche Elemente gezielt, ohne relevante Versionsangaben oder Seitenbezüge zu verlieren. Ein pauschales Löschen der ersten und letzten Zeilen jeder Seite kann fachliche Hinweise zerstören.

Auch Trennstriche am Zeilenende benötigen Aufmerksamkeit. Eine Zusammenführung darf Produktcodes nicht verändern. Bewahren Sie die Originaldarstellung oder eine nachvollziehbare Zuordnung, wenn eine Normalisierung für die Suche vorgenommen wird.

Eine Tabelle besteht nicht nur aus Zellen. Spaltenüberschrift, Zeilenbezeichnung, Einheit, Zeitraum und Fußnote bestimmen gemeinsam die Bedeutung. Werden diese Beziehungen beim Import getrennt, kann eine richtige Zahl in einer falschen Aussage landen.

Jeder Bestandteil einer Tabelle braucht eine eigene Prüfung, bevor die Tabelle in einen RAG-Bestand gelangt:

Für die Suche können kleinere Zeilengruppen mit wiederholten relevanten Überschriften hilfreich sein. Für Berechnungen ist dagegen häufig eine geprüfte strukturierte Darstellung geeigneter. Die Wahl hängt von der Frage ab, nicht von der Dateiendung.

Eine erfundene Preisliste zeigt für Produkt A den Wert 120 und für Produkt B den Wert 95. Die Spaltenüberschrift lautet „Monatlicher Servicebetrag in Euro“. Eine Fußnote erklärt, dass für eine bestimmte Vertragsvariante ein zusätzlicher Betrag anfällt. Diese Zahlen sind keine realen Anbieterpreise.

Ein Assistent darf aus „120“ nicht ohne Kontext eine einmalige Anschaffungssumme machen. Für die Frage nach der genannten Vertragsvariante muss er außerdem die Fußnote berücksichtigen. Ein Link zur richtigen PDF-Datei macht eine falsche Interpretation nicht korrekt.

Der Abnahmetest prüft deshalb Zahl, Einheit, Zeitraum und Ausnahme getrennt. Fehlt die Fußnote in der extrahierten Darstellung, wird die Quelle zunächst korrigiert oder für diese Frage gesperrt. Eine zusätzliche Anweisung an das Modell kann die fehlende Information nicht zuverlässig ersetzen.

Die Frage „Welcher Wert steht für Produkt A?“ lässt sich eventuell mit einem passenden Ausschnitt beantworten. Die Frage „Wie hoch ist die Summe aller Positionen?“ benötigt alle relevanten Zeilen und eine verlässliche Rechenoperation. Einige ähnliche Suchtreffer sind dafür keine ausreichende Grundlage.

Für wiederkehrende Auswertungen sollten strukturierte Felder aus der Tabelle gewonnen und gegen das Original geprüft werden. Danach kann eine deterministische Berechnung erfolgen. Das Sprachmodell kann das Ergebnis erklären, sollte aber nicht aus einem zufälligen Kontextausschnitt Vollständigkeit ableiten.

Prüfen Sie Filterbedingungen ebenso sorgfältig wie die Zahlen. „Alle Positionen für Österreich im September“ verlangt Standort- und Zeitzuordnung. Eine technisch richtige Addition über die falschen Zeilen bleibt fachlich falsch.

Manche Informationen stehen ausschließlich in Diagrammen oder technischen Zeichnungen. Ein reiner Textimport erfasst sie nicht vollständig. Eine zusätzliche Bildanalyse kann eine Möglichkeit sein, benötigt aber eigene Bewertung und Quellenbezug.

Unterscheiden Sie erkannte Beschriftung von interpretierter Aussage. Wenn ein Modell ein Diagramm zusammenfasst, entsteht eine Ableitung, die Fehler enthalten kann. Bewahren Sie die Abbildung oder einen präzisen Seitenverweis als überprüfbaren Ursprung.

Für kritische Maße, Schaltbilder oder Sicherheitsanweisungen darf eine automatisch erzeugte Beschreibung nicht ohne geeignete Fachprüfung die Originaldarstellung ersetzen. Die sinnvolle Antwort kann den relevanten Ausschnitt zeigen und eine menschliche Prüfung verlangen, statt eine scheinbar exakte Interpretation zu behaupten.

Speichern Sie Dokumentkennung, Version, Seite und Abschnitt gemeinsam mit dem extrahierten Inhalt. Wenn verfügbar und nützlich, können Koordinaten den genauen Bereich markieren. Eine spätere Antwort sollte den Nutzer zur Aussage führen, die tatsächlich verwendet wurde.

Seitenzahlen benötigen eine klare Konvention. Die dritte PDF-Seite kann die gedruckte Seitenzahl eins tragen. Wenn Quellenverweise beide verwechseln, wird die Prüfung unnötig schwierig. Legen Sie fest, welche Zählung die Anwendung zeigt.

Bei einer neuen Dokumentversion können sich Seiten verschieben. Ein alter Verweis sollte daher nicht unbemerkt auf eine andere Aussage zeigen. Version und Quelle müssen gemeinsam aufgelöst werden, oder der Nutzer erhält einen klaren Hinweis auf die inzwischen ersetzte Fassung.

Jedes Dokument in einem RAG-Bestand sollte einen dieser Qualitätsstatus tragen:

• vollständig geprüft
• eingeschränkt verwendbar
• nicht verwendbar

Eine Einschränkung kann etwa bedeuten, dass Fließtext verfügbar ist, aber eine wichtige Tabelle noch nicht freigegeben wurde. Dieser Status muss beeinflussen, welche Fragen beantwortet werden dürfen.

Definieren Sie, wer eine problematische Seite korrigiert. Möglich sind erneute Erfassung, manuelle strukturierte Eingabe oder Ausschluss der Quelle. Ein Modell darf fehlende Stellen nicht anhand benachbarter Muster als vermeintliches Original ergänzen.

Bewahren Sie Korrekturen nachvollziehbar auf. Wenn ein Mensch eine falsch erkannte Produktnummer berichtigt, sollte die Änderung der richtigen Dokumentversion zugeordnet sein. Sonst kann der nächste Import die Korrektur überschreiben oder auf eine inzwischen andere Quelle übertragen.

Ein Cloud-Extraktionsdienst erhält den Dokumentinhalt. Prüfen Sie deshalb vor dem Upload, ob die gewählte Umgebung und Verarbeitung für diese Quelle zulässig sind. Eine nur intern gespeicherte Datei wird durch ihre Umwandlung in Text nicht automatisch weniger sensibel.

Die erzeugten Textstücke, Tabellen und Bilder benötigen dieselben angemessenen Zugriffsbeschränkungen wie der relevante Ursprung. Achten Sie besonders auf Vorschaubilder, temporäre Dateien und Prüfoberflächen. Ein geschützter Hauptindex hilft wenig, wenn extrahierte Seitenbilder frei erreichbar sind.

Der RAG-Sicherheitsleitfaden ergänzt den Umgang mit manipulierten Quellen. PDF-Inhalte können neben Fachtext auch Anweisungen enthalten; durch die Extraktion erhalten diese keine Berechtigung, das Verhalten der Anwendung zu steuern.

Erfassen Sie Seitenzahl, Dateitypen, Änderungsrate und Anteil problematischer Dokumente. Ein einmaliger Import und regelmäßige Neuverarbeitung sind unterschiedliche Kostenblöcke. Eine kleine fachliche Änderung sollte nicht zwangsläufig den gesamten Bestand neu verarbeiten müssen.

Versionieren Sie Extraktionsverfahren und Konfiguration. Wenn ein verbessertes Verfahren Tabellen anders erkennt, können neue Chunks und neue Quellenbezüge entstehen. Prüfen Sie den Wechsel gegen einen festen Referenzbestand, bevor Sie sämtliche Dokumente ersetzen.

Rechnen Sie menschliche Kontrolle ein. Automatische Extraktion kann günstig wirken, während die Korrektur komplexer Tabellen viel Zeit benötigt. Die relevante Größe ist der Aufwand bis zur verlässlich verwendbaren Information, nicht nur der Preis pro verarbeiteter Seite.

Fachlicher Vergleich. Lassen Sie Fachpersonen ausgewählte Fragen anhand der Originale und der Assistentenantworten prüfen. Jede wesentliche Aussage muss dieselbe Zahl, Einheit, Einschränkung und Gültigkeit behalten. Ergänzen Sie bewusst Fragen, die aus der verfügbaren Quelle nicht beantwortbar sind.

Versionen, Löschung und Zugriff. Prüfen Sie außerdem neue Version, gelöschte Datei und entzogenes Leserecht. Die extrahierten Ableitungen müssen entsprechend aktualisiert oder entfernt werden. Eine erfolgreich gelöschte PDF-Datei allein beweist noch keine Löschung ihrer Suchchunks.

Die Suche folgt danach. Erst wenn dieser Ablauf funktioniert, optimieren Sie die Suche weiter. Die Chunking-Anleitung beschreibt sinnvolle Abschnittsgrenzen, und der RAG-Testplan verbindet Extraktionsqualität mit der tatsächlichen Aufgabe.

Stichprobe schwieriger Seiten. Bewahren Sie eine dauerhafte Stichprobe schwieriger Seiten für Parser-Updates auf. Nehmen Sie genau die Seiten auf, die zuvor gescheitert sind, zusammen mit dem erwarteten Text und den erwarteten Zusammenhängen. Ein neuer Extraktor sollte bei diesen Fällen eine Verbesserung zeigen, ohne bei gewöhnlichen Dokumenten schlechter zu werden. Diese kleine Sammlung kann deutlich brauchbarere Nachweise liefern als eine Vorführung mit fremden Beispieldateien eines Anbieters.

Festgehaltene Ausschlüsse. Halten Sie für diese Abnahme auch fest, welche Dokumentteile ausdrücklich ausgeschlossen bleiben. Eine nicht geprüfte Handschrift oder Zeichnung sollte nicht über einen allgemeinen Hinweis „PDF unterstützt“ als zuverlässig verarbeitet erscheinen. Der sichtbare Umfang muss zur tatsächlich geprüften Extraktion passen. Betreffen Ausschlüsse eine Frage, sollte der Assistent den fehlenden Beleg benennen, statt den Eindruck zu erwecken, die vollständige Datei sei berücksichtigt worden. So erhalten Nutzer eine sinnvolle Grundlage für die Entscheidung, wann sie direkt im Originaldokument nachsehen.

Diese Leitfäden von modernagents behandeln angrenzende Entscheidungen rund um KI-Wissensassistenten:

• KI-Wissensassistent: internes Wissen auffindbar machen
• Schlechte Scans und Handschrift: Grenzen der automatischen Erfassung
• RAG-Chunking: Inhalte teilen, ohne den Zusammenhang zu verlieren
• Wenn RAG falsche Antworten gibt: Quellen und Enthaltung prüfen

Für eine konkrete Ablaufprüfung reichen zunächst eine Prozessbeschreibung, die beteiligten Systeme und typische Ausnahmen. Mit modernagents besprechen.