Tabellen in PDF's voor RAG: niet de grid afvlakken

Samenvatting

Tabellen in PDF’s voor RAG bewaren de rij-kolomstructuur, zodat modellen waarden niet aan de verkeerde labels koppelen.

PDF-tabellen voor RAG: wat er gebeurt

Het artikel laat zien waarom een standaard RAG-pijplijn vastloopt zodra een antwoord in een tabelcel staat. Zo’n pijplijn leest een PDF, knipt de tekst in fragmenten, maakt embeddings en haalt de meest verwante fragmenten op. Bij het afvlakken van een tabel verdwijnen de relaties tussen rijen, kolommen en waarden.

De voorgestelde aanpak houdt het raster intact met een diagnose en vijf combineerbare bewerkingen. De methode maakt deel uit van Enterprise Document Intelligence, een serie die een RAG-systeem opbouwt uit document parsing, vraaginterpretatie, retrieval en generatie.

Waarom PDF-tabellen voor RAG belangrijk zijn

Een PDF bevat geen tabel in dezelfde betekenis als een database. De pagina bevat meestal rechthoeken en tekstposities; de parser moet daaruit de ruimtelijke structuur reconstrueren. Dat lukt soms, maar niet altijd.

Wanneer de reconstructie faalt, ziet een taalmodel een losse reeks labels en getallen. Daardoor koppelt het een waarde aan de verkeerde rij of kolom en ontstaan verzonnen cijfers. De fout blijft bovendien makkelijk onopgemerkt totdat een auditor het brondocument controleert.

Meerdere pagina’s maken het probleem groter. Een kopregel staat vaak alleen op de eerste pagina, waardoor volgende pagina’s voor het model op numerieke ruis lijken. Ook verzwakt de bronverwijzing: zonder gereconstrueerde rijen kun je niet precies aanwijzen waar een gegeven vandaan komt. De kernles is dat documentopmaak hier de datarelatie draagt.

Concrete takeaway voor PDF-tabellen in RAG

Behandel tabellen niet als gewone tekst. Test eerst of de parser rijen, kolommen en kopregels correct terugbouwt en kies daarna een van de vijf bewerkingen uit het artikel. Controleer ook de bronverwijzing op rijniveau. De begeleidende notebooks staan in de repository doc-intel/notebooks-vol1; die bieden een praktisch startpunt voor deze controle.