PDFデータから正確にテキストデータを抽出、お客様の声から生まれた生成AI向け抽出サービス「1extract」提供開始

文字情報が埋め込まれていないスキャンデータも本文と画像を区別し、PDF1ページをテキストデータに数秒で抽出

ファイマテクノロジー

2024年7月26日 08時00分

株式会社Feynma Technology（ファイマテクノロジー｜名古屋市東区、代表取締役土屋太助)は、生成AI向けPDF抽出サービス 1extract（ワンエクストラクト）の提供を開始したことをお知らせいたします。

AIや機会学習の分野においてPDF活用の需要は高まっているものの、「PDFから正確にテキストデータが読み込まれない」「画像が入っているPDFデータだと、本文と画像のテキストが混在して読み込まれてしまう」といったお客様の声から本サービスは生まれました。こうした声に応えるために、2021年にリリースした論文翻訳AI「1paper」の論文PDF抽出エンジンを「1extract」としてサービス化しました。今後国産LLM開発を行う多くの研究者や開発者の力になり、日本企業の研究力向上に貢献したいと考えています。

生成AI向けPDF抽出エンジン 1extract 公式サイト・お問い合わせ：https://feynma.com/1extract

■生成AI向けPDF抽出サービス「1extract 」サービス概要

生成AI向けPDF抽出サービス「1extract」を活用したテキストデータを用いれば、生成AI活用型のチャットボットなどにおいて、社内にあるPDF文書や論文PDFなどに基づいて質問応答することができます。論文翻訳サービス「1paper（※）」で培ったPDFデータ抽出エンジンにより、文書構造を踏まえてより正確に情報抽出ができ、書かれた事実のみに基づいて正確に回答する生成AI活用システムを構築できます。

※論文翻訳サービス「1paper」：https://1paper.jp/

■「1extract」でできること

・PDFファイルからテキスト情報を正確に抽出

・文字情報が埋め込まれていないスキャンデータでも、事前のOCR処理なく情報抽出可能。

・文字データをコピー＆ペーストできない特殊なPDFファイルにも対応

・認識した文字データの改行・改ページ部分も自動で文章を連結して、コンテクストを崩さずに抽出結果を出力

・原文通り残したい図や式はそのままに画像として出力

■「1extract」の活用事例

（１）正確なテキストデータを用いることで、生成AIchatGPT活用チャットシステムの回答精度を改善

社内文書に基づいて回答する生成AIchatGPTの構築をしたいが、社内文書からうまく情報が抽出できず、回答の質があまり良くないという声をお客様からいただいてました。本サービスのPDF抽出結果に差し替えることで精度が正確な文章を参照でき、質問に正確に回答できます。

（２）特許や論文などの技術文書を用いた生成AIによる新しい業務プロセスの構築

研究、開発、知財部門などで特許や論文などの技術文書を用いた生成AI活用では、扱う情報が専門的で、望む回答を得ることが難しいこともよくあります。クエリを改善してもうまくいかなくても、「生成AI向けPDF抽出サービス 1extract」を使って正しい情報ソース（抽出結果）と適切なクエリーの両方を整えることで、専門的な質問でも正しい根拠に基づいて正しく答えるシステムを構築できます。

（３）医学、生命科学、物理学、化学などの研究分野における新しい知の探索方法の確立

AI技術の研究は長らくAI技術そのものの基礎研究が中心でしたが、生成AIの登場により、AIによる自働研究やAI技術を使った異分野の研究自体の革新についての研究が世界中で始まっています。しかし、各々の研究分野において生成AIなどが扱いやすい形式に整形されたデータはなかなか用意できるものではありません。本サービスを利用することで、生成AIが扱いやすい長くて正確なテキストデータを得ることができ、異分野研究における生成AI活用事例の豊富な知見をご提供しますので、生成AIにあまり詳しくない専門研究者の方でも新しい知の探索方法に取り組むことができます。

（４）ドメイン特化大規模言語モデルの開発、国産LLMの開発

世界中にあるwebデータはすでに学習し尽くしつつあると言われています。また、昨今のLLMの精度改善や、より小さなモデルで高い精度を出すためにはデータの量と同じぐらいデータの品質が重要です。PDFのデータはまだ世の中にたくさんあります。本サービスを利用することで、PDFから高品質な大規模言語モデル用学習データを作成することができます。