Seminar Intensivseminar – Strukturierte Dokumentenverarbeitung mit Docling

Das Intensivseminar verbindet die zentralen Aufgaben einer strukturierten Dokumentenverarbeitung zu einem durchgehenden Praxisfall. Digitale PDFs und Scans werden mit Docling erschlossen, ausgewählte Tabellen in prüfbare Daten überführt und geeignete Dokumentabschnitte für eine lokale Wissenssuche vorbereitet.

Der Kurs bündelt die Inhalte der Docling-Grundlagen, der Tabellenextraktion, der RAG-Aufbereitung, der Python-Automatisierung sowie des sicheren Betriebs und der Qualitätssicherung. Die Werkzeuge werden gezielt kombiniert: OCRmyPDF und Tesseract kommen dort zum Einsatz, wo ein Dokument eine OCR-Aufbereitung benötigt. Docling übernimmt die strukturierte Weiterverarbeitung; ein vorbereiteter Suchindex ermöglicht die Prüfung des anschließenden Retrievals.

Um den Umfang innerhalb von fünf Tagen beherrschbar zu halten, werden eine feste Dokumentklasse, vorbereitete Infrastruktur und ein gemeinsames Python-Grundgerüst verwendet. Alle Fachthemen werden zusammengeführt, während die Einzelkurse mehr Zeit für alternative Layouts, eigenständige Schnittstellenentwicklung und ausführliche Last- oder Suchvergleiche bieten. Der Intensivkurs kann als Alternative zum einzelnen Besuch dieses Lernwegs gewählt werden.

Lernziele

• Dokumente mit Docling strukturiert konvertieren und die Ergebnisse nachvollziehbar prüfen.
• Tabellendaten für einen begrenzten Anwendungsfall extrahieren und validieren.
• Dokumentabschnitte mit Metadaten für eine überprüfbare Wissenssuche bereitstellen.
• Die Werkzeuge in einen kontrollierten Python-Ablauf mit Fehlerbehandlung integrieren.
• Offline-Verarbeitung, Ressourcenbegrenzung und Wiederanlauf am Gesamtablauf prüfen.

Zielgruppe

Python-Entwickler, Data Engineers und technisch erfahrene Administrierende, die strukturierte Dokumentenverarbeitung als zusammenhängenden Prozess aufbauen möchten.

Voraussetzungen

Sichere Python-Kenntnisse, Linux-Grundlagen und erste OCR-Erfahrung. Grundlagen von Embeddings und Suchindizes sind erforderlich; entsprechende Infrastruktur wird vorbereitet bereitgestellt.

Inhaltsübersicht

1. Docling und kontrollierte Konvertierung
2. Tabellen und fachliche Daten
3. Aufbereitung für Suche und RAG
4. Python-Automatisierung und Schnittstellen
5. Betrieb und Qualitätsprüfung
6. Fehlerfälle und Wiederanlauf

Docling und kontrollierte Konvertierung

• Umgebung und vorbereitete Modellartefakte prüfen und geeignete Eingaben auswählen.
• OCR-Bedarf erkennen und vorhandene Textebenen gezielt berücksichtigen.
• DoclingDocument, Lesereihenfolge und Markdown- sowie JSON-Ausgaben untersuchen.

Tabellen und fachliche Daten

• Eine repräsentative Dokumentklasse mit Tabellen und Pflichtfeldern erschließen.
• Tabellen exportieren, Werte normalisieren und einfache Feldregeln anwenden.
• Fehlende Werte, Seitenübergänge und fachliche Widersprüche in eine Prüfschleife lenken.

Aufbereitung für Suche und RAG

• Strukturbezogene und hybride Chunking-Varianten am gemeinsamen Bestand vergleichen.
• Dokumentkennungen, Versionsstände und verfügbare Herkunftsinformationen erhalten.
• Vorbereitete Embeddings und einen lokalen Suchindex mit Testfragen prüfen.

Python-Automatisierung und Schnittstellen

• OCRmyPDF, Tesseract und Docling über passende Aufrufe mit klaren Prozessgrenzen verbinden.
• Auftragskennungen, Status, Validierung und eine begrenzte Wiederholung implementieren.
• Geprüfte Daten an eine lokale Testschnittstelle übergeben und Doppelübergaben vermeiden.

Betrieb und Qualitätsprüfung

• Dateirechte, Arbeitsverzeichnisse und Ressourcenlimits des Übungsdienstes überprüfen.
• Einen Lauf ohne Netzwerkzugriff mit lokal bereitgestellten Modellen durchführen.
• Technische Messwerte und fachliche Stichproben für eine Freigabe gemeinsam auswerten.

Fehlerfälle und Wiederanlauf

• Dokumentänderungen und Löschungen bis in den Suchindex nachvollziehen.
• Einen abgebrochenen Auftrag kontrolliert wiederaufnehmen.
• Ein geändertes Verarbeitungsprofil gegen den bekannten Referenzstand prüfen und bei Bedarf zurücksetzen.

Praktische Übungen

1. Den gemeinsamen Dokumentenbestand konvertieren und seine Strukturen prüfen.
2. Eine Tabelle mit fachlichen Feldern exportieren und validieren.
3. Zwei Chunking-Varianten in einem lokalen Suchprototyp vergleichen.
4. Die Schritte in das vorbereitete Python-Grundgerüst integrieren und Fehlerbehandlung ergänzen.
5. Offline-Lauf, Indexaktualisierung und Wiederanlauf anhand definierter Testfälle durchführen.

Arbeitsumgebung

Vorbereitete lokale Linux-Umgebung mit Docling, OCR-Werkzeugen, Python-Grundgerüst, Embedding-Modell, Suchindex und Schnittstellenattrappe. Die Auswahl der Dokumentklassen bleibt während des Seminars begrenzt.