· AI Engineer World's Fair 2026
Структурирование неструктурированных данных: продвинутый разбор документов для AI-workflows
Structuring the Unstructured: Advanced Document Parsing for AI Workflows
Docling превращает PDF в Markdown и JSON с сохранением таблиц и структуры, работает локально на CPU и подходит для RAG и агентов.
- Таблицы и подписи вместо линейного текста — простой парсер склеивает колонки и выводит таблицы построчно, а конвертация с учётом макета страницы, OCR и визуальных моделей сохраняет таблицы, которые можно вывести в датафрейм, и подписи к изображениям.
- Экономия без GPU — по словам спикера, в сравнении Hugging Face на корпусе FinePDFs Docling на CPU обошёлся примерно в 50 раз дешевле, чем наивный подход с OCR и VLM.
- RAG без чанков — индексом служит Markdown-оглавление документа, а LLM выбирает нужный раздел и читает его целиком, без эмбеддингов и векторной базы; спикер применил этот подход к отчёту IBM на 418 разделов.
- Развёртывание в инфраструктуру — Docling Serve отдаёт конвертацию как REST API в контейнере или Kubernetes, а Docling MCP server подключает её к агентам для кодинга.
Кому полезно: тем, кто строит RAG по корпусу PDF и не может отправлять документы внешним сервисам, например в air-gapped среде.
Статья по теме
На какие вопросы отвечает доклад
Как вытаскивать таблицы из PDF, чтобы LLM не терял их структуру?
Таблицы извлекаются в DataFrame и экспортируются в Markdown, HTML или словарь, а не линеаризуются построчно. В демо из научной статьи извлекли восемь таблиц с сохранением структуры.
▶ 9:34Демонстрация разбора документов: таблицы, изображения и экспорт в PydanticКак парсить PDF локально на CPU без отправки данных во внешние сервисы?
Конвертация запускается локально через pip install без GPU, подходит для air-gapped сред. По словам спикера, на CPU вычисления обходятся в 50 раз дешевле VLM и наивного OCR в примере Hugging Face.
▶ 5:40Архитектура Docling: локальное преобразование, OCR и структурированное извлечениеПочему OCR склеивает слова из разных колонок PDF и как этого избежать?
Простой парсер читает текст линейно и склеивает соседние колонки, поэтому из скана появился несуществующий термин. Layout-анализ вместе с OCR разделяет колонки и сохраняет порядок чтения.
▶ 2:04Сбои обработки документов, ошибки вёрстки и компромиссы по стоимостиКак описывать картинки и диаграммы из PDF, чтобы они попадали в RAG?
Vision language model, например локальная модель Granite через Ollama, пишет подробное описание изображения, и оно добавляется к подписи и тексту в индекс. Так картинки становятся доступны для вопросов и ответов.
▶ 12:18Retrieval по извлечённым изображениям, подписям и разделам документовКак сделать RAG без чанкинга и векторной базы на длинных документах?
Индексом служит Markdown-оглавление документа с кратким описанием секций: LLM выбирает нужный раздел и читает его целиком. Демо на годовом отчёте IBM с 418 секциями.
▶ 12:18Retrieval по извлечённым изображениям, подписям и разделам документовКак вынести парсинг тысяч PDF в отдельный масштабируемый сервис?
Docling Serve запускает конвертацию как REST API в контейнере или Kubernetes, а параметры OCR, бэкенда и аннотации картинок передаются в запросе. Так сервис обрабатывает сотни и тысячи документов.
▶ 12:18Retrieval по извлечённым изображениям, подписям и разделам документов
Главы
Похожие доклады
Создание слоя контекста документов для AI agents
AI Engineer World's Fair 2026
Близко по содержанию
Ваши договоры — база данных, по которой нельзя искать
Близко по содержанию
Разбор файлов Эпштейна для JMail
AI Engineer World's Fair 2026
Близко по содержанию
Создание платформы на базе агентов
AI Engineer World's Fair 2025
Близко по содержанию

