PDFs für KI optimal nutzen

FAQs der PDF Association

Rechnungen, Belege, Berichte oder Whitepaper – Viele Informationen sind in PDF-Dokumenten abgelegt. Inwiefern sind KI-Systeme in der Lage, dieses Potenzial auszureizen? Eine Antwort darauf bietet die PDF Association mit einer neuen FAQ-Webseite.

Laut dem Verband werde die KI-Verarbeitung in Verbindung mit PDFs oft als kompliziert empfunden. Dies führe häufig zu Vorgehensweisen, die die Effizienz der KI einschränken können. Werden jedoch alle PDF-eigenen Funktionen, insbesondere die semantischen Fähigkeiten des Formats benutzt, können KI-Systeme gut damit arbeiten. So liefern mit Tags versehene PDF-Dokumente zusätzliche semantische Informationen. Dazu zählen die logische Lesereihenfolge, Hinweise auf die verwendete Sprache, logische Tabellenstrukturen und erklärende Alternativtexte für Bilder. All dies kann der KI helfen, die Struktur eines Dokuments zu verstehen und gleichzeitig den Rechenaufwand zu minimieren.

Ausbau des Fragenkatalogs durch Nutzende

Der Fragenkatalog der PDF Association umfasst zum Start rund 30 Einträge aus den Bereichen Grundlagen, PDF-Vorbereitung für KI und Verarbeitung. Leserinnen und Leser können ein öffentliches Feedback abgeben, um den Fragenkatalog weiterzuentwickeln.

Die Übersicht erklärt beispielsweise:

•  warum PDFs für KI eine wichtige Quelle darstellen,
•  wie man PDF-Dateien für KI aufbereitet,
•  welche bekannten Einschränkungen bestehen,
•  und welche weiteren Aspekte, etwa zum Copyright, zu beachten sind.

Einordnung der Inhalte

Der Text ist in erster Linie aus der Perspektive der PDF Association geschrieben. Er betont konsequent die Vorteile des PDF-Formats und von Tagged PDF. Weniger Raum erhält die Tatsache, dass viele moderne KI-Systeme bewusst vereinfachte Repräsentationen wie Markdown oder strukturiertes JSON nutzen, weil diese für zahlreiche Anwendungen effizient und ausreichend sind.

Richtig ist,

• dass viele PDFs für KI wertvoll sind, weil sie häufig die verbindliche Dokumentenversion (Document of Record) darstellen und mehr Informationsdichte besitzen als viele Webseiten.
• dass Tagged PDFs KI-Systemen Vorteile liefern, weil sie semantische Informationen wie Überschriften, Tabellen, Lesereihenfolge oder Alternativtexte enthalten.
• dass Tabellen, Annotationen und Metadaten für KI einen erheblichen Mehrwert liefern können und möglichst berücksichtigt werden sollten.

Jedoch entsteht an mehreren Stellen der Eindruck, dass PDFs generell besser für KI-Anwendungen sind als HTML-Webseiten. Das wäre aber zu pauschal. Vielmehr gilt, dass gut strukturierte HTML-Seiten ebenfalls sehr geeignet sind und sich schlechte PDFs ebenfalls weniger eignen können.