Čo to je (ľudsky)
PDF je formát navrhnutý tak, aby dokument vyzeral všade rovnako – ideálny na tlač a zdieľanie. Pre AI je ale často problém: dáta v ňom nemajú logickú štruktúru a pri skenoch ide len o obrázok bez textu.
Ako to funguje v praxi
PDF ukladá, kde presne na stránke je ktorý znak, nie ako spolu súvisia. Preto sa pri extrakcii text často poprehadzuje, tabuľky sa rozpadnú a viacstĺpcové rozloženie sa pomieša. Naskenované PDF navyše potrebuje OCR, ktoré robí chyby.
Príklad zo Slovenska / Česka / EÚ
Dáš AI cenník v naskenovanom PDF a ona zmieša ceny s názvami alebo prehliadne položku. Riešenie: požiadaj o dáta v CSV/Markdowne, alebo PDF najprv preveď na text a výsledok skontroluj.
Kedy sa to oplatí
- ✓Na finálne dokumenty určené na tlač a podpis
- ✓Keď potrebuješ nemenný vzhľad naprieč zariadeniami
- ✓Na oficiálne výstupy (faktúry, zmluvy) pre ľudí
Kedy je to problém
- •Ako zdroj dát pre AI a automatizáciu
- •Pri skenoch bez textovej vrstvy (treba OCR)
- •Pri tabuľkách a viacstĺpcovom rozložení
Typické chyby
- !Posielanie skenov priamo do AI bez OCR
- !Očakávanie presnej extrakcie tabuliek z PDF
- !Neoverenie extrahovaných dát pred ďalším krokom