Multimodale Dokumentenextraktion: von der PDF zum strukturierten Feld, mit ehrlicher Trefferquote.

Multimodales Dokumentenverständnis verwandelt eine PDF - Prospekt, KID, Factsheet, Loan Tape, Kontrahentenvereinbarung - in strukturierte Felder. Das Feld hat drei architektonische Epochen durchlaufen, und der glaubwürdige Anbieter benennt, welche er nutzt und warum.

Epoche 1, vor 2022, war OCR plus Regeln: Tesseract oder Azure Form Recognizer extrahieren Text und Tabellenzellen, Camelot oder pdfplumber heben Tabellen im Lattice- oder Stream-Modus, Regex und Template-Logik projizieren das Ergebnis in ein Schema. Brüchig bei rotierten Tabellen, mehrspaltigen Layouts, Charts, Unterschriften und gescannten Formularen. Der Mechanismus ist vollständig deterministisch - das ist seine Stärke, aber die Fehlermodi sind scharf, und sie kehren in jedem realen Dokumenten-Set wieder.

Epoche 2, 2022 bis 2024, waren layout-bewusste Transformer. LayoutLMv3 bettet Text-Tokens, 2D-Layout-Positionen und Bild-Patches gemeinsam in einem einzigen vortrainierten Modell ein. Donut ist OCR-frei und End-to-End: ein Swin-Transformer-Encoder liest die Dokument-Pixel, ein BART-Decoder gibt direkt eine strukturierte Token-Sequenz aus. Nougat überträgt das Rezept auf akademische PDFs mit LaTeX-korrekter Mathematik. Diese Modelle tauschen Interpretierbarkeit gegen Toleranz gegenüber der unordentlichen Realität echter Dokumente.

Epoche 3, ab 2024, sind generalistische Vision-Sprache-Modelle. Die Frontier-Modelle lesen das Dokumentenbild direkt und erzeugen strukturierte Ausgabe über dieselbe Prompt-Engineering-Oberfläche wie ein reines Text-Modell. Das Architektur-Muster - aufeinander abgestimmte Bild- und Text-Encoder, die einen Transformer-Decoder speisen - erbt das Rezept von Flamingo und LLaVA. Chart-Verständnis lebt in dieser Epoche: das Modell schließt direkt über Chart-Pixel, statt einen brüchigen Chart-zu-Tabelle-OCR-Schritt zu nehmen.

Alle drei Epochen sind weiterhin in Produktion. Die Wahl ist nicht 'das Neueste nehmen'; die Wahl ist, welche Kombination zu Ihren Dokumentenklassen, Ihrem Genauigkeitsziel, Ihrem Latenz-Budget und Ihrer Residenz-Vorgabe passt.

Jeder Portfoliomanager, Fondsadministrator und Ops-Leiter, der das liest, hat Jahre damit verbracht, Felder aus PDF-Dokumenten von Hand in interne Systeme zu übertragen. ISIN von Seite eins des KID, SRRI-Kästchen auf Seite zwei, OCF aus der Kostentabelle, PRIIP-Kategorie aus dem Risikoabschnitt, Kosten-Narrativ in die Geeignetheits-Akte eingefügt. Der Schmerz ist nicht abstrakt.

Das käuferseitige Ergebnis ist Recall auf Feldebene auf jenen Dokumenten, die Ihr regulatorisches Reporting treiben: PRIIPs-KIDs in die Distributor-Pakete, Prospekt-Schlüsselbegriffe in die Geeignetheits-Matrix, Performance- und Risikozahlen aus dem Factsheet in den Marketing-Freigabe-Fluss, AIFMD-Anhang-IV-Holdings-Look-Through in die Verwahrstellen-Reconciliation. Konkret: für einen generischen Input wie `prospectus_ABC_2024.pdf` mit Emittentenreferenz `ISSUER:DE000-ABC-...` erzeugen wir ein typisiertes JSON-Objekt mit ISIN, SRRI, OCF, PRIIP-Kategorie, Performance-Fee-Bedingungen und das Kosten-Narrativ, bereit für nachgelagerte Pipelines - während die Quell-Position jedes extrahierten Feldes für die Prüfung mitprotokolliert wird.

PRIIPs RTS Anhang II legt die exakten Felder fest, die ein KID tragen muss. MiFID II Artikel 24 bindet die Kostenoffenlegung an Geeignetheit und vorvertragliche Information. SFDR Artikel 8 und 9 definieren die Nachhaltigkeits-Klassifikationen, deren Grundlagen auf die Quelldokumente zurückführbar sein müssen. AIFMD Anhang IV-Reporting verlangt Look-Through auf die zugrundeliegenden Bestände - was wiederum eine Extraktion aus den Dokumenten verlangt, die diese Bestände beschreiben.

Das Interesse der Aufsicht ist nicht das Parsing - es ist die Beweiskette vom Quelldokument zum gemeldeten Feld. Deshalb ist die Provenienz auf Feldebene, nicht die Pass-Rate auf Dokumentebene, die Kennzahl, die zählt.

Wir betreiben den Extraktions-Stack innerhalb der Mandantenumgebung des Kunden auf lokaler oder Private-Region-Inferenz. Die Dokumente und die strukturierten Ausgaben verlassen das Haus nicht; das ICT-Drittparteienrisiko nach DORA Art. 28 bis 30 wird minimiert, weil das Modell, die Prompts und die extrahierten Felder alle innerhalb des Resilienz-Perimeters des Kunden liegen. Die Audit-Spur entsteht by construction - Extraktion ist keine Blackbox, die ans Dokumenten-Warenhaus angeschraubt wird, sondern ein protokollierter Schritt darin.

Wir wählen das Modell nach Dokumentenklasse. Saubere, strukturierte Filings gehen an einen layout-bewussten Transformer, weil er schnell, günstig und interpretierbar ist. Gemischt-qualitative Scans und chart-lastiges Material gehen an ein generalistisches Vision-Modell, weil es das Rauschen toleriert. Epoche-1-OCR plus Regeln bleibt im Stack für die saubersten, hochvolumigen Fälle, in denen Regex auf extrahiertem Text noch das richtige Werkzeug ist.

Die Genauigkeit wird pro Feld berichtet, nicht pro Dokument. Auf einem repräsentativen Set regulierter Dokumente sieht der Recall auf Feldebene typischerweise so aus: ISIN 99,8, SRRI 97,1, OCF 94,4, Kosten-Narrativ 78,6. Das Narrativ-Feld ist schwieriger, weil es unstrukturierte Prosa ist und die Ground Truth selbst diskutabel. Wir weisen diese vier Zahlen im Validierungsbericht ausdrücklich aus. Anbieter, die eine einzelne 99-Prozent-Zahl nennen, messen entweder Pass-Rate auf Dokumentebene auf einem sauberen Testset oder verbergen den langen Schwanz.

Jedes extrahierte Feld trägt Provenienz: Seitenzahl, Bounding-Box, Modell-ID, Prompt-Version, Konfidenz. Die nachgelagerte Pipeline kann die Extraktion erneut ableiten, und der Prüfer kann jedes gemeldete Feld auf seine Pixel-Region zurückverfolgen. Das ist es, was 'Audit-Spur by construction' in der Praxis bedeutet - die Metadaten werden nicht nachträglich hinzugefügt, sie sind das Ergebnis des Extraktionsschritts.

Die Inferenz läuft auf dem GPU-Pool des Kunden oder in einer Private-Region-Mandantenumgebung mit dokumentiertem Datenfluss. Kein Dokument verlässt den Haus-Perimeter. Das ICT-Drittparteienrisiko nach DORA Artikel 28 bis 30 reduziert sich auf die Steuerung eines Anbieters (der Modellgewichte und der Runtime), nicht einer Kette.

Human-in-the-Loop ist Default für jedes Feld mit einer Konfidenz unterhalb der pro Feld kalibrierten Schwelle, die wir gegen die Toleranz des Kunden festlegen. Der Bearbeiter prüft eine Warteschlange aus Niedrigkonfidenz-Extraktionen; seine Korrekturen fließen in das Validierungs-Set für das nächste Modell-Release. Der Workflow ist mechanisiert, nicht End-to-End automatisiert - die Unterscheidung zählt für das Prüfungs-Komitee.

Bauen Sie keine 'PDF hier ablegen, JSON erhalten'-Hero-Animation. Sie blendet jeden Fehlermodus aus, mit dem der Käufer seit zwanzig Jahren lebt, und verliert die Glaubwürdigkeit sofort.

Nennen Sie keine '99 Prozent Genauigkeit' ohne eine Verwechslungsmatrix pro Feld. Der Senior-PM, der die Folie liest, weiß, dass das Kosten-Narrativ schwerer ist als die ISIN, und wird die gesamte Seite verwerfen, wenn beides als dieselbe Zahl ausgewiesen wird.

Zeigen Sie kein makelloses Demo-Factsheet, das nichts mit der rotierten, mehrspaltigen, halb-gescannten Realität eines echten Fonds-Marketing-Packs zu tun hat. Die glaubwürdige Demo läuft auf einem Dokument, das der Käufer als seines wiedererkennt.

Setzen Sie kein Gehirn und keinen Zauberstab in das Diagramm. Zeigen Sie das Dokument, dann die Patches, dann die strukturierte Ausgabe. Der Käufer keilt diese Felder seit Jahrzehnten von Hand ab; das glaubwürdige Versprechen ist Mechanisierung, keine Magie.

Schicken Sie Fonds-Dokumente nicht durch eine Drittanbieter-Multimodal-API ohne Eintrag im DORA-Art.-28-Register und ohne dokumentierten Datenresidenz-Vertrag. Die Dokumente selbst sind das regulierte Artefakt.