Zum Hauptinhalt springen

Übersicht

Die promptbasierte Extraktion ermöglicht es Ihnen, mithilfe natürlicher Sprachanweisungen strukturierte Daten mit LLMs aus Dokumenten zu extrahieren. Statt herkömmliche Machine-Learning-Modelle zu trainieren, beschreiben Sie, welche Daten extrahiert werden sollen und wie sie formatiert sein sollen, und das LLM übernimmt die Extraktion anhand Ihrer Anweisungen. Hintergrundinformationen dazu, wie Vantage LLMs verwendet, einschließlich Datenverarbeitung und Kosten, finden Sie unter LLMs in ABBYY Vantage. Was Sie erreichen werden:
  • Eine promptbasierte Extraktionsaktivität erstellen.
  • Eine LLM-Verbindung konfigurieren.
  • Effektive Extraktions-Prompts schreiben.
  • Ausgabeformat und -struktur definieren.
  • Strenge und Validierungsregeln anwenden.
  • Ihre Extraktion testen und optimieren.
Benötigte Zeit: 20-30 Minuten Anwendungsfälle:
  • Extraktion von Vendor-Informationen aus Rechnungen
  • Erfassung von Dokumentdaten auf Kopfzeilenebene
  • Verarbeitung semi-strukturierter Dokumente
  • Dokumente mit variablen Layouts

Voraussetzungen

Bevor Sie beginnen, stellen Sie sicher, dass Sie über Folgendes verfügen:
  1. Zugriff auf ABBYY Vantage Advanced Designer.
  2. Eine konfigurierte LLM-Verbindung. Siehe LLM-Verbindungen konfigurieren.
  3. Einen Document-Skill mit geladenen Beispieldokumenten.
  4. Grundlegende Kenntnisse der JSON-Struktur.
  5. Felddefinitionen für die Daten, die Sie extrahieren möchten.
Diese Anleitung behandelt die Extraktion auf Kopfzeilenebene. Die Unterstützung für die Tabellenextraktion kann variieren.

Promptbasierte Extraktion verstehen

Was ist promptbasierte Extraktion?

Die promptbasierte Extraktion nutzt LLMs, um Dokumente zu verstehen und anhand natürlichsprachlicher Anweisungen Daten daraus zu extrahieren. Sie definieren:
  • Rolle: Welche Rolle das LLM einnehmen soll (z. B. „Modell zur Datenextraktion“).
  • Anweisungen: Wie Daten extrahiert und formatiert werden sollen.
  • Ausgabestruktur: Das exakte JSON-Format für die Ergebnisse.
  • Regeln: Richtlinien für den Umgang mit mehrdeutigen oder fehlenden Daten.
Weitere Informationen zu den Stärken und Grenzen der promptbasierten Extraktion sowie dazu, wann die traditionelle Extraktion vorzuziehen ist, finden Sie unter Wann LLMs verwendet werden sollten.

Schritt 1: Eine promptbasierte Aktivität hinzufügen

Erstellen Sie eine neue promptbasierte Extraktionsaktivität in Ihrem Document-Skill.
  1. Öffnen Sie Ihren Document-Skill in ABBYY Vantage Advanced Designer.
  2. Suchen Sie im linken Bereich nach EXTRACT FROM TEXT (NLP).
  3. Klicken Sie auf promptbasiert.
Auswahl der Aktivität „promptbasiert“
  1. Die Aktivität wird auf Ihrer Workflow-Arbeitsfläche angezeigt.
  2. Verbinden Sie sie zwischen Ihren Input- und Output-Aktivitäten.
promptbasierte Aktivitäten finden Sie unter „EXTRACT FROM TEXT (NLP)“ im Activities-Bereich zusammen mit anderen Extraktionsmethoden wie Named Entities (NER) und Deep Learning.

Schritt 2: Die LLM-Verbindung konfigurieren

Wählen Sie aus, welche LLM-Verbindung die Aktivität verwenden soll.
  1. Wählen Sie die promptbasierte Aktivität in Ihrem Workflow aus.
  2. Suchen Sie im rechten Bereich Activity Properties nach LLM Connection.
  3. Klicken Sie auf das Dropdown-Menü.
LLM-Verbindung konfigurieren
  1. Wählen Sie Ihre konfigurierte LLM-Verbindung aus der Liste aus.
    • Beispiel: Nick-ChatGPT, Microsoft Foundry, Production GPT-4
  2. Vergewissern Sie sich, dass die Verbindung ausgewählt ist.
Wenn in der Liste keine Verbindungen angezeigt werden, müssen Sie zuerst über Konfiguration → Verbindung eine LLM-Verbindung konfigurieren.
Wenn Sie den Skill veröffentlichen, wird die hier ausgewählte Verbindung im Vantage Web Portal zur Default-Verbindung für diesen Skill. Unter Skill Catalog → [your skill] → Parameters wird die Verbindung bereits vorausgefüllt angezeigt. Mandantenadministratoren können sie auf eine andere Verbindung umstellen (zum Beispiel, um einen Produktions-Skill je nach Umgebung auf einen anderen LLM-Endpunkt zu verweisen), ohne den Skill erneut zu veröffentlichen — siehe Document-Skill-Parameter.

Schritt 3: Ausgabefelder definieren

Legen Sie die Felder, die Sie extrahieren möchten, fest, bevor Sie Ihren Prompt schreiben.
  1. Suchen Sie im Bereich Activity Properties den Abschnitt Output.
  2. Dort sehen Sie eine hierarchische Liste mit Feldgruppen und Feldern.
  3. In diesem Beispiel extrahieren wir Vendor-Informationen:
    • Vendor
      • Name
      • Adresse
      • TaxID
      • Kontonummer
      • Sort Code
      • IBAN
      • BIC_SWIFT
    • Geschäftsbereich
      • Name
      • Adresse
      • Rechnungsdatum
      • Rechnungsnummer
    • Summen
      • Nettobetrag
Struktur der Ausgabefelder
  1. Klicken Sie auf die Schaltfläche Activity Editor, um mit der Konfiguration des Prompts zu beginnen.
Definieren Sie alle Felder, bevor Sie Ihren Prompt schreiben. Die Feldnamen werden in der Struktur Ihres Prompts verwendet.

Schritt 4: Verfassen Sie die Rollendefinition

Definieren Sie, welche Rolle das LLM bei der Verarbeitung von Dokumenten übernehmen soll.
  1. Im Activity Editor sehen Sie die Oberfläche Prompt Text
  2. Beginnen Sie mit dem Abschnitt ROLE:
Prompt Text Editor
Wichtige Anweisungen zur Rolle:
  • Seien Sie präzise: “Modell zur Datenextraktion” verdeutlicht dem LLM seinen Zweck.
  • Definieren Sie den Umfang: “vendorbezogene Felder” grenzt ein, was extrahiert werden soll.
  • Setzen Sie klare Erwartungen: “Werttext wortgetreu” verhindert eine Neuformatierung.
  • Gehen Sie mit fehlenden Daten um: “Lassen Sie jedes Feld aus, das nicht eindeutig vorhanden ist”.
Bewährte Vorgehensweisen:
  • Halten Sie die Rolle klar und prägnant.
  • Verwenden Sie Imperativformulierungen (“Extrahieren Sie”, “Treffen Sie keine Annahmen”).
  • Machen Sie ausdrücklich klar, was NICHT getan werden soll.
  • Legen Sie fest, wie mit Randfällen umzugehen ist.

Schritt 5: Ausgabeformat definieren

Legen Sie die genaue JSON-Struktur für die Extraktionsergebnisse fest.
  1. Fügen Sie unterhalb des Abschnitts ROLE die Überschrift OUTPUT FORMAT hinzu.
  2. Definieren Sie die JSON-Struktur:
JSON-Ausgabeformat
Strukturkomponenten:
  • FieldName: Muss exakt mit Ihren Felddefinitionen übereinstimmen (z. B. Vendor.Name).
  • Text: Der extrahierte Wert als String.
  • Line: Nullbasierter Zeilenindex, in dem der Wert im Dokument vorkommt.
Wichtige Hinweise:
  • Verwenden Sie die exakten Feldnamen aus Ihrer Output-Konfiguration.
  • Schließen Sie alle Felder ein, auch wenn einige leer sein können.
  • Die Struktur muss gültiges JSON sein.
  • Zeilennummern helfen bei der Verifizierung und Fehlerbehebung.

Schritt 6: Feldspezifische Extraktionsregeln hinzufügen

Geben Sie detaillierte Anweisungen zum Extrahieren der einzelnen Felder an. Fügen Sie unter OUTPUT FORMAT spezifische Regeln für jeden Feldtyp hinzu:
Extraction Rules
Regelaufbau:
  • Erkennungsmuster: Führen Sie für jedes Feld alternative Bezeichnungen auf.
  • Formatspezifikationen: Beschreiben Sie das exakt zu extrahierende Format.
  • Hinweise zum Fundort: Wo die Daten typischerweise zu finden sind.
  • Ausschlüsse: Was NICHT extrahiert werden soll.
Best Practices:
  • Nummerieren Sie Ihre Regeln zur besseren Übersicht.
  • Geben Sie mehrere Varianten der Bezeichnungen an.
  • Geben Sie an, wem die Daten zuzuordnen sind (Vendor-Seite vs. Kundenseite).
  • Fügen Sie Formatbeispiele in Klammern ein.
  • Seien Sie bei verwandten Feldern explizit (z. B. “IBAN ignorieren — dafür gibt es ein eigenes Feld”).

Schritt 7: Strenge-Regeln anwenden

Fügen Sie Validierungsregeln hinzu, um die Datenqualität und Konsistenz sicherzustellen. Fügen Sie am Ende Ihres Prompts einen Abschnitt STRICTNESS hinzu:
Regeln zur Strenge
Zusätzliche Regeln zur Strenge (optional):
Warum Strenge wichtig ist:
  • Verhindert Halluzinationen: LLMs können plausible, aber falsche Daten erzeugen.
  • Gewährleistet Konsistenz: Klare Regeln verringern die Unterschiede zwischen einzelnen Ausführungen.
  • Regelt fehlende Daten: Legt fest, was zu tun ist, wenn Felder nicht gefunden werden.
  • Wahrt die Datenintegrität: Die wortgetreue Extraktion bewahrt die ursprüngliche Formatierung.
Wichtige Prinzipien der Strenge:
  • Erzeugen Sie niemals Daten, die nicht im Dokument enthalten sind.
  • Lassen Sie unsichere Extraktionen lieber weg, statt zu raten.
  • Geben Sie eine leere Struktur zurück, wenn keine Felder gefunden werden.
  • Feldnamen müssen exakt übereinstimmen.
  • Bewahren Sie die ursprüngliche Textformatierung.

Schritt 8: Dokumentformat auswählen

Wählen Sie aus, welche Dokumentdarstellung an das LLM gesendet werden soll.
  1. Suchen Sie im Activity Editor das Dropdown-Menü Prompt.
  2. Dort sehen Sie die Optionen dafür, wie das Dokument dem LLM bereitgestellt wird.
Optionen für Dokumentformate
Verfügbare Formate:
  • PDF: Ursprüngliche PDF-Datei
    • Geeignet für: Dokumente, bei denen das Layout entscheidend ist
    • Zu beachten: Größere Dateigröße; einige LLMs unterstützen PDF nur eingeschränkt
    Veraltet: Das PDF-Dokumentformat ist veraltet und nur für bereits vorhandene OpenAI-Verbindungen verfügbar. Dieses Format wird für keine neuen Verbindungen irgendeines Providers mehr unterstützt. Verwenden Sie stattdessen Annotated Text.
  • Klartext: Unformatierte Textextraktion
    • Geeignet für: Einfache Dokumente, die nur Text enthalten
    • Zu beachten: Alle Formatierungs- und Layoutinformationen gehen verloren
  • Annotated Text ⭐ (Empfohlen)
    • Geeignet für: Die meisten Dokumenttypen
    • Zu beachten: Bewahrt die Struktur und bleibt gleichzeitig textbasiert
    • Vorteile: Beste Balance zwischen Struktur und Leistung
  • Formatierter Text: Text mit beibehaltener grundlegender Formatierung
    • Geeignet für: Dokumente, bei denen eine gewisse Formatierung wichtig ist
    • Zu beachten: Ein Mittelweg zwischen Klartext und Annotated Text
  1. Wählen Sie Annotated Text aus, um die besten Ergebnisse zu erzielen
Tests haben gezeigt, dass Annotated Text für Extraktionsaufgaben die konsistentesten und zuverlässigsten Ergebnisse liefert. Es bewahrt die Dokumentstruktur und kann gleichzeitig effizient von LLMs verarbeitet werden.

Schritt 9: Testen Sie Ihre Extraktion

Führen Sie die Aktivität an Beispieldokumenten aus, um die Ergebnisse zu prüfen.

Führen Sie die Activity aus

  1. Schließen Sie den Activity Editor.
  2. Wechseln Sie zur Registerkarte All Documents.
  3. Wählen Sie ein Testdokument aus.
  4. Klicken Sie auf Test Activity oder Run.
Activity testen
  1. Warten Sie, bis das LLM das Dokument verarbeitet
    • Verarbeitungszeit: in der Regel 5–30 Sekunden, abhängig von der Komplexität des Dokuments.
    • Während Sie auf die API-Antwort warten, wird ein Ladeindikator angezeigt.

Ergebnisse prüfen

Sobald die Verarbeitung abgeschlossen ist:
  1. Die Benutzeroberfläche wechselt zur Predictive View.
  2. Prüfen Sie den Bereich Output mit den extrahierten Feldern.
  3. Klicken Sie auf jedes Feld, um Folgendes anzuzeigen:
    • Extrahierter Wert
    • Konfidenzwert (falls vorhanden)
    • Hervorgehobene Region im Dokumentbild
Ergebnisse prüfen
Worauf Sie achten sollten:
  • ✅ Alle erwarteten Felder sind ausgefüllt
  • ✅ Die Werte stimmen exakt mit dem Dokument überein
  • ✅ Keine halluzinierten oder erschlossenen Daten
  • ✅ Mehrzeilige Felder werden korrekt verarbeitet
  • ✅ Fehlende Felder werden weggelassen (nicht mit falschen Daten ausgefüllt)

Typische Ergebnismuster

Erfolgreiche Extraktion:
Teilweise Extraktion (einige Felder fehlen):
Keine Felder gefunden:

Schritt 10: Verfeinern Sie Ihren Prompt

Überarbeiten Sie Ihren Prompt anhand der Testergebnisse.

Häufige Probleme und Lösungen

Problem: LLM extrahiert das falsche Feld
  • Lösung: Fügen Sie spezifischere Positionshinweise hinzu.
  • Beispiel: “Nur auf der Vendor-Seite; Kunden-/Käuferadressen ausschließen”
Problem: Die Formatierung wird geändert
  • Lösung: Betonen Sie die wortgetreue Extraktion.
  • Beispiel: “Extrahieren Sie das Zahlenformat exakt so, wie es gedruckt ist (z. B. ‘12-34-56’)”
Problem: LLM erfindet Daten
  • Lösung: Verschärfen Sie die Strenge-Regeln.
  • Beispiel: “Werte niemals generieren oder ableiten. Weglassen, wenn nicht vorhanden.”
Problem: Mehrzeilige Felder werden zusammengefügt
  • Lösung: Geben Sie Escape-Sequenzen an.
  • Beispiel: “Verwenden Sie für mehrzeilige Werte \n für Zeilenumbrüche”
Problem: Falsche Feldnamen in der Ausgabe
  • Lösung: Prüfen Sie, ob die Feldnamen exakt übereinstimmen.
  • Beispiel: Verwenden Sie Vendor.Account Number und nicht AccountNumber

Iterativer Verbesserungsprozess

  1. An mehreren Dokumenten testen: Optimieren Sie nicht nur für ein einzelnes Beispiel.
  2. Muster dokumentieren: Halten Sie fest, welche Regeln funktionieren und welche weiter verfeinert werden müssen.
  3. Spezifische Beispiele hinzufügen: Fügen Sie Formatbeispiele in Klammern ein.
  4. Strenge anpassen: Passen Sie sie anhand von Mustern bei Über- bzw. Unterextraktion an.
  5. Grenzfälle testen: Probieren Sie Dokumente mit fehlenden Feldern und ungewöhnlichen Layouts aus.

Beispielanpassungen

Vorher:
Nachher:

Den Extraktionsprozess verstehen

Wie die promptbasierte Extraktion funktioniert

  1. Dokumentkonvertierung: Ihr Dokument wird in das ausgewählte Format konvertiert (Annotated Text empfohlen).
  2. Prompt-Zusammenstellung: Ihre Rolle, das Ausgabeformat, Feldregeln und Strengevorgaben werden kombiniert.
  3. API-Aufruf: Der Prompt und das Dokument werden über Ihre Verbindung an das LLM gesendet.
  4. LLM-Verarbeitung: Das LLM liest das Dokument und extrahiert die Daten gemäß Ihren Anweisungen.
  5. JSON-Antwort: Das LLM gibt strukturierte Daten im angegebenen JSON-Format zurück.
  6. Feldzuordnung: Vantage ordnet die JSON-Antwort Ihren definierten Ausgabefeldern zu.
  7. Verifizierung: Zeilennummern und Konfidenzwerte (falls vorhanden) helfen dabei, die Genauigkeit zu prüfen.

Token-Nutzung und Kosten

Faktoren, die sich auf die Kosten auswirken:
  • Dokumentlänge: Längere Dokumente verbrauchen mehr Tokens.
  • Komplexität des Prompts: Detaillierte Prompts erhöhen die Token-Anzahl.
  • Formatwahl: Annotated Text ist in der Regel effizienter als PDF.
  • Anzahl der Felder: Mehr Felder = längere Prompts.
Tipps zur Optimierung:
  • Formulieren Sie Prompts knapp, aber klar.
  • Vermeiden Sie doppelte Anweisungen.
  • Entfernen Sie unnötige Beispiele.
  • Erwägen Sie die Gruppierung von Feldern für zusammengehörige Daten.

Bewährte Methoden

Prompts formulieren

Do:
  • ✅ Verwenden Sie klare Anweisungen im Imperativ („Extrahieren“, „Erkennen“, „Auslassen“).
  • ✅ Geben Sie für jedes Feld mehrere Bezeichnungsvarianten an.
  • ✅ Fügen Sie Formatbeispiele in Klammern ein.
  • ✅ Geben Sie an, was NICHT extrahiert werden soll (Ausschlüsse).
  • ✅ Nummerieren Sie Ihre Regeln, damit leicht auf sie verwiesen werden kann.
  • ✅ Verwenden Sie durchgängig eine einheitliche Terminologie.
Don’t:
  • ❌ Verwenden Sie keine vagen Anweisungen („Name abrufen“).
  • ❌ Gehen Sie nicht davon aus, dass ein LLM domänenspezifische Konventionen kennt.
  • ❌ Schreiben Sie keine unnötig langen, komplexen Sätze.
  • ❌ Widersprechen Sie sich nicht in verschiedenen Abschnitten.
  • ❌ Lassen Sie keine Regeln zur Strenge aus.

Felddefinitionen

Effektive Anweisungen für Felder:
  • Beginnen Sie mit Erkennungsmustern (alternativen Bezeichnungen).
  • Geben Sie das exakt zu bewahrende Format an.
  • Geben Sie Positionshinweise an (übliche Platzierung).
  • Definieren Sie die Datenzuordnung (Vendor vs. Kunde).
  • Berücksichtigen Sie die Behandlung mehrzeiliger Werte.
  • Verweisen Sie auf verwandte Felder, um Verwechslungen zu vermeiden.
Beispiel:

Teststrategie

  1. Beginnen Sie mit einfachen Dokumenten: Testen Sie zuerst die grundlegende Extraktion.
  2. Auf Variationen ausweiten: Probieren Sie verschiedene Layouts und Formate aus.
  3. Grenzfälle testen: Fehlende Felder, ungewöhnliche Positionen, mehrere Treffer.
  4. Fehlschläge dokumentieren: Halten Sie Beispiele fest, bei denen die Extraktion fehlschlägt.
  5. Systematisch iterieren: Ändern Sie jeweils nur eine Sache.

Leistungsoptimierung

Für Geschwindigkeit:
  • Halten Sie Prompts kurz.
  • Verwenden Sie das Format Annotated Text.
  • Minimieren Sie die Anzahl der Felder pro Aktivität.
  • Erwägen Sie, komplexe Dokumente aufzuteilen.
Für Genauigkeit:
  • Definieren Sie umfassende Feldregeln.
  • Fügen Sie Formatbeispiele hinzu.
  • Definieren Sie strenge Regeln.
  • Testen Sie mit unterschiedlichen Dokumentbeispielen.
Für Kosten:
  • Optimieren Sie die Länge des Prompts.
  • Verwenden Sie effiziente Dokumentformate.
  • Speichern Sie Ergebnisse bei Bedarf zwischen.
  • Überwachen Sie die Tokennutzung im Dashboard des LLM-Providers.

Fehlerbehebung

Extraktionsprobleme

Problem: Felder sind leer, obwohl Daten vorhanden sind. Lösungen:
  • Prüfen Sie, ob der Feldname exakt richtig geschrieben ist.
  • Vergewissern Sie sich, dass sich die Daten im ausgewählten Dokumentformat befinden.
  • Fügen Sie den Erkennungsmustern weitere Label-Varianten hinzu.
  • Verringern Sie die Strenge vorübergehend, um zu prüfen, ob das LLM die Daten dann findet.
  • Prüfen Sie, ob die Dokumentqualität die OCR-/Textextraktion beeinträchtigt.
Problem: Das LLM extrahiert Kundendaten statt Vendor-Daten. Lösungen:
  • Präzisieren Sie die Spezifikationen für die Vendor-Seite.
  • Fügen Sie explizite Ausschlüsse für Kunden-/Käuferdaten hinzu.
  • Geben Sie Positionshinweise an (z. B. „oben im Dokument“, „Abschnitt des Ausstellers“).
  • Fügen Sie Beispiele für korrekte und falsche Extraktion hinzu.
Problem: Mehrzeilige Werte werden zusammengezogen oder fehlerhaft formatiert. Lösungen:
  • Geben Sie das Format der Escape-Sequenz (\n) explizit an.
  • Geben Sie Beispiele für die korrekte mehrzeilige Ausgabe an.
  • Vergewissern Sie sich, dass das Dokumentformat Zeilenumbrüche beibehält.
  • Fügen Sie die Anweisung hinzu: „Behalten Sie die ursprünglichen Zeilenumbrüche mit \n bei“.
Problem: Das LLM formatiert Daten um oder normalisiert sie. Lösungen:
  • Betonen Sie „wortgetreu“ und „genau wie gedruckt“.
  • Fügen Sie eine Strenge-Regel hinzu: „Keine Normalisierung oder Inferenz“.
  • Geben Sie konkrete Beispiele an, die die Beibehaltung der Formatierung zeigen.
  • Fügen Sie Negativbeispiele hinzu: „Nicht ‚12-34-56‘, sondern ‚12 34 56‘ beibehalten“.

Leistungsprobleme

Problem: Die Extraktion ist zu langsam. Lösungen:
  • Wechseln Sie zum Format Annotated Text, wenn Sie PDF verwenden.
  • Vereinfachen Sie den Prompt, ohne wichtige Anweisungen zu verlieren.
  • Reduzieren Sie die Dokumentauflösung, wenn die Bilder sehr groß sind.
  • Prüfen Sie den Status des LLM-Providers und die Ratenlimits.
  • Ziehen Sie für einfache Dokumente die Verwendung eines schnelleren Modells in Betracht.
Problem: Inkonsistente Ergebnisse zwischen den Durchläufen. Lösungen:
  • Verschärfen Sie die Strenge-Regeln.
  • Formulieren Sie die Anweisungen spezifischer und eindeutiger.
  • Fügen Sie mehr Formatbeispiele hinzu.
  • Verringern Sie die Komplexität des Prompts, die zu Interpretationsspielraum führen könnte.
  • Testen Sie höhere Temperatureinstellungen (falls in der Verbindung verfügbar).
Problem: Hohe API-Kosten. Lösungen:
  • Optimieren Sie die Länge des Prompts.
  • Verwenden Sie Annotated Text anstelle von PDF.
  • Verarbeiten Sie Dokumente außerhalb der Spitzenzeiten in Batches.
  • Ziehen Sie für einfache Dokumente die Verwendung kleinerer/günstigerer Modelle in Betracht.
  • Überwachen Sie Budgetwarnungen und richten Sie sie im Dashboard des LLM-Providers ein.

Fortgeschrittene Methoden

Bedingte Extraktion

Sie können das LLM so anweisen, bestimmte Felder nur dann zu extrahieren, wenn Bedingungen erfüllt sind:

Unterstützung mehrerer Sprachen

Die promptbasierte Extraktion eignet sich gut für mehrsprachige Dokumente:

Validierungsregeln

Fügen Sie Ihren Prompts eine Validierungslogik hinzu:

Beziehungen zwischen Feldern

Legen Sie fest, wie Felder zueinander in Beziehung stehen:

Einschränkungen und Hinweise

Aktuelle Möglichkeiten

Unterstützt:
  • ✅ Feldextraktion auf Kopfzeilenebene
  • ✅ Ein- und mehrzeilige Werte
  • ✅ Mehrere Felder pro Dokument
  • ✅ Bedingte Extraktionslogik
  • ✅ Mehrsprachige Dokumente
  • ✅ Unterschiedliche Dokumentlayouts
Eingeschränkt oder nicht unterstützt:
  • ⚠️ Tabellenextraktion (variiert je nach Implementierung)
  • ⚠️ Komplexe verschachtelte Strukturen
  • ⚠️ Sehr große Dokumente (Token-Limits)
  • ⚠️ Echtzeitverarbeitung (API-Latenz)
  • ⚠️ Garantiert deterministische Ergebnisse

Wann Sie promptbasierte Extraktion verwenden sollten

Hinweise dazu, wann sich promptbasierte Extraktion eignet und wann traditionelle Extraktion vorzuziehen ist, finden Sie unter Wann Sie LLMs verwenden sollten.

Integration mit Document-Skills

Verwenden extrahierter Daten

Nach Abschluss der Extraktion stehen die Felddaten im gesamten Document-Skill zur Verfügung:
  1. Validierungsaktivitäten: Wenden Sie Geschäftsregeln auf extrahierte Werte an.
  2. Skript-Aktivitäten: Verarbeiten oder transformieren Sie extrahierte Daten.
  3. Export-Aktivitäten: Senden Sie Daten an externe Systeme.
  4. Prüfoberfläche: Manuelle Verifizierung extrahierter Felder.

Kombination mit anderen Aktivitäten

Die promptbasierte Extraktion kann auch zusammen mit anderen Aktivitäten eingesetzt werden:

Feldzuordnung

Die extrahierten JSON-Felder werden Ihren definierten Ausgabefeldern automatisch zugeordnet:
  • "FieldName": "Vendor.Name" → Wird dem Ausgabefeld Vendor.Name zugeordnet.
  • Die Feldhierarchie bleibt in der Ausgabestruktur erhalten.
  • Zeilennummern helfen bei der Verifizierung und Fehlerbehebung.

Zusammenfassung

Sie haben erfolgreich:
  • ✅ Eine promptbasierte Extraktionsaktivität erstellt.
  • ✅ Eine LLM-Verbindung konfiguriert.
  • ✅ Einen umfassenden Extraktions-Prompt mit Rolle, Format und Regeln verfasst.
  • ✅ Das optimale Dokumentformat (Annotated Text) ausgewählt.
  • ✅ Strenge-Regeln zur Sicherung der Datenqualität angewendet.
  • ✅ Die Extraktion getestet und die Ergebnisse überprüft.
  • ✅ Best Practices für Prompt Engineering kennengelernt.
Wichtigste Erkenntnisse:
  • Die promptbasierte Extraktion verwendet Anweisungen in natürlicher Sprache.
  • Das Format Annotated Text liefert die besten Ergebnisse.
  • Klare, spezifische Prompts sorgen für eine konsistente Extraktion.
  • Strenge-Regeln verhindern Halluzinationen und sichern die Datenqualität.
  • Iteratives Testen und Verfeinern verbessern die Genauigkeit.
Ihre promptbasierte Extraktionsaktivität ist nun für die Dokumentverarbeitung bereit!

Nächste Schritte

  1. Mit unterschiedlichen Dokumenten testen: Validieren Sie die Lösung mit verschiedenen Dokumentlayouts und Varianten.
  2. Ihre Prompts verfeinern: Verbessern Sie sie kontinuierlich auf Grundlage der Ergebnisse.
  3. Kosten überwachen: Verfolgen Sie die Token-Nutzung im Dashboard Ihres LLM-Anbieters.
  4. Leistung optimieren: Optimieren Sie Ihre Prompts hinsichtlich Geschwindigkeit und Genauigkeit.
  5. Tabellenextraktion erkunden: Experimentieren Sie mit der Extraktion von Positionen (sofern unterstützt).
  6. In Workflows integrieren: Kombinieren Sie dies mit anderen Aktivitäten für eine vollständige Verarbeitung.

Weitere Ressourcen

  • ABBYY Vantage Advanced Designer-Dokumentation: https://docs.abbyy.com
  • Leitfaden zum Einrichten von LLM-Verbindungen: LLM-Verbindungen konfigurieren.
  • Best Practices für Prompt Engineering: Siehe die Dokumentation Ihres LLM-Providers.
  • Support: Wenden Sie sich an den ABBYY-Support, wenn Sie technische Unterstützung benötigen.

Häufig gestellte Fragen

F: Was ist der Unterschied zwischen promptbasierter und herkömmlicher Extraktion? A: Die promptbasierte Extraktion verwendet natürliche Sprachanweisungen für LLMs und benötigt keine Trainingsdaten. Herkömmliche Methoden erfordern Trainingsbeispiele, sind im großen Maßstab aber schneller und kostengünstiger. F: Kann ich Tabellen mit promptbasierten Aktivitäten extrahieren? A: Die Extraktion auf Kopfzeilenebene wird gut unterstützt. Die Möglichkeiten der Tabellenextraktion können variieren und erfordern möglicherweise eine bestimmte Prompt-Struktur. F: Warum sollte ich Annotated Text statt PDF verwenden? A: Annotated Text bietet das beste Gleichgewicht zwischen Strukturerhalt und Verarbeitungseffizienz. In Tests hat sich dieses Format als am zuverlässigsten erwiesen. F: Wie kann ich API-Kosten senken? A: Optimieren Sie die Prompt-Länge, verwenden Sie das Annotated-Text-Format, verarbeiten Sie effizient und überwachen Sie die Token-Nutzung über das Dashboard Ihres LLM-Providers. F: Was passiert, wenn meine LLM-Verbindung fehlschlägt? A: Überprüfen Sie den Status Ihrer Verbindung unter Konfiguration → Verbindungen. Testen Sie die Verbindung, prüfen Sie die Anmeldedaten und stellen Sie sicher, dass Ihr API-Kontingent nicht überschritten wurde. F: Kann ich mehrere LLM-Verbindungen in einer Skill verwenden? A: Ja, verschiedene Aktivitäten können unterschiedliche Verbindungen verwenden. So können Sie für verschiedene Extraktionsaufgaben unterschiedliche Modelle einsetzen. F: Wie gehe ich mit Dokumenten in mehreren Sprachen um? A: Fügen Sie Ihren Feldregeln mehrsprachige Label-Varianten hinzu. LLMs kommen in der Regel gut mit mehrsprachigen Inhalten zurecht. F: Wie groß darf ein Dokument maximal sein? A: Das hängt von den Token-Limits Ihres LLM-Providers ab. Sehr lange Dokumente müssen möglicherweise aufgeteilt oder in Abschnitten verarbeitet werden.