docling-project/docling

解決する課題

Doclingは、多様で複雑なドキュメント形式を、生成AIアプリケーションに適した構造化された機械可読形式に変換するプロセスを簡素化します。従来のドキュメント形式からは抽出が困難な、高度なPDFレイアウト、テーブル、およびマルチモーダルコンテンツ（画像や音声など）の解析という課題に対処します。

仕組み

Doclingは DoclingDocument と呼ばれる統一された表現形式を使用して、PDF、Officeドキュメント、画像、さらにはビデオ/オーディオファイルを含むさまざまなファイルタイプを解析し、Markdown、HTML、JSONなどの形式にエクスポートします。GraniteDoclingのような視覚言語モデル（VLM）を活用して高度なPDF理解（レイアウト、読み取り順序、テーブル構造）を行い、自動音声認識（ASR）を使用してオーディオやビデオのトランスクリプトを作成します。

対象ユーザー

AIエージェント、RAG（Retrieval-Augmented Generation）パイプライン、および多種多様な非構造化データソースを取り込む必要があるドキュメント処理ワークフローを構築する開発者向けに設計されています。

主な特徴

• 幅広いフォーマット対応: PDF、DOCX、PPTX、XLSX、HTML、EPUB、Apple Pages、電子メール形式、およびビデオ/オーディオファイルを解析します。
• 高度なPDF分析: ページレイアウト、読み取り順序、テーブル構造、数式を抽出します。
• マルチモーダル機能: スキャンされたドキュメント用のOCR、オーディオ/ビデオ用のASR、およびチャートをテーブルやコードに変換するチャート理解機能が含まれています。
• AIエコシステムとの統合: LangChain、LlamaIndex、Crew AI、Haystackとのネイティブなプラグアンドプレイ統合。
• 柔軟なデプロイメント: エアギャップ環境でのローカル実行、APIサーバー、およびCLIをサポートしています。