Datalab Lift、書類から直接情報抽出

DatalabのLiftは、特定の約束を持つ特化型ドキュメント抽出ツールです。PDFまたは画像とJSON Schemaを与えると、直接スキーマに沿ったJSONを返します。まずドキュメントをMarkdownに変換し、その後別のモデルにフィールドの抽出を依頼する代わりに、Liftはレンダリングされたページ画像を読み取り、最終的な構造化オブジェクトを一度の処理で出力しようとします。Datalabによると、LiftはPDFや画像から構造化されたJSONを抽出するための9B vision modelであり、schema-constrained decodingをサポートし、ユーザーのschemaに一致するJSONを返します。この位置付けは重要です。なぜなら、Liftは主にOCRエンジンではなく、主にPDF-to-Markdownコンバーターでもなく、完全なエンタープライズドキュメントレビュープラットフォームでもないからです。これは、schema-first document extractor、つまり視覚的に複雑なドキュメントをアプリケーションで利用可能なフィールドに変換するモデルとして理解するのが最適です。 最初の、すべてを整理する区別：解析（parsing）と抽出（extraction） ほとんどのドキュメントAIツールは、2つの異なる問題のいずれかを解決します。 パーサー（Parsers）は、ドキュメントを忠実な中間表現に変換します。例えば、Markdown、HTML、JSON blocks、layout trees、tables、headings、reading order、および検索用のチャンクなどです。Docling、MinerU、Marker、Unstructured、PyMuPDF、OCRmyPDF、Suryaなどのツールは主にこのカテゴリに属します。それらの出力はdocument-shapedです。 エクストラクター（Extractors）は、ドキュメントをアプリケーションが実際に必要とするフィールドに変換します。invoice_number、vendor_name、total、due_date、またはline_items[]などのschemaを定義すると、システムはそれらの値を直接返そうとします。Lift、NuExtract3、LlamaExtract、Reducto Extract、Extend、Azure Content Understanding、およびその他のクラウドextraction APIは、このカテゴリにより近く属します。それらの出力はschema-shapedです。 この区別が重要なのは、多くの本番システムが依然として「解析してから抽出する（parse-then-extract）」というパターンに従っているからです。つまり、PDFをMarkdownまたは構造化テキストに変換し、その表現をschemaを持つLLMに送信します。Liftの狙いは、そのワークフローを単一の視覚的抽出に集約することです。