Yükleniyor
Yapay zeka (RAG) ve vektör arama projelerinde PDF raporlarını, hukuki sözleşmeleri ve finansal tabloları dönüştürmek için Unstructured.io, LlamaParse veya AWS Textract gibi bulut API'leri kullanmak; 1.000 sayfa başına $10 ila $25 ücret talep ederek aylık binlerce dolarlık faturalar çıkarır. Dahası, gizli şirket ve müşteri belgelerinin yabancı üçüncü taraf bulutlara gönderilmesi KVKK ve GDPR açısından ciddi ihlaller doğurur. Kendi VDS sunucunuzda açık kaynaklı IBM Docling veya Marker çalıştırarak; karmaşık tabloları ve taranmış belgeleri yerel donanımınızda kusursuz Markdown formatına dönüştürün. Yıllık %90+ net tasarrufunuzu ve veri egemenliğinizi anında hesaplayın.
AVX-512 destekli modern CPU VDS. Dijital PDF'leri, raporları ve araştırmaları GPU maliyeti olmadan dönüştürür.
# /opt/docling-service/main.py
# Production Ready FastAPI + Docling PDF to Markdown Microservice
from fastapi import FastAPI, UploadFile, File, HTTPException
from docling.document_converter import DocumentConverter
import tempfile
import os
app = FastAPI(title="Docling Local Document Converter API")
converter = DocumentConverter()
@app.post("/convert/pdf")
async def convert_pdf(file: UploadFile = File(...)):
if not file.filename.endswith(".pdf"):
raise HTTPException(status_code=400, detail="Yalnızca PDF dosyaları desteklenir.")
with tempfile.NamedTemporaryFile(delete=False, suffix=".pdf") as tmp:
tmp.write(await file.read())
tmp_path = tmp.name
try:
# Docling tablolari, hiyerarşiyi ve okuma sırasını yerel olarak çıkarır
result = converter.convert(tmp_path)
markdown_output = result.document.export_to_markdown()
return {
"status": "success",
"filename": file.filename,
"markdown": markdown_output,
"page_count": len(result.document.pages)
}
finally:
if os.path.exists(tmp_path):
os.remove(tmp_path)Büyük Dil Modelleri (LLM) ile inşa edilen kurumsal RAG (Retrieval-Augmented Generation) sistemlerinin kalitesi, vektör veritabanına beslenen belgelerin ne kadar temiz ayrıştırıldığına bağlıdır. Geleneksel Python kütüphaneleri (PyPDF, pdfminer) iki sütunlu makaleleri karıştırır, tabloları anlamsız metin yığınlarına dönüştürür ve dipnotları ana metne katar.
Bu sorunu çözmek için ortaya çıkan Unstructured.io ve LlamaParse gibi SaaS çözümleri yüksek doğruluk sunsa da, sayfa başına ücretlendirme modelleriyle şirketleri ayda yüz binlerce sayfa için$1.500 ila $7.500+ ödemeye mahkum eder.
IBM tarafından açık kaynak olarak yayımlanan Docling, modern derin öğrenme tabanlı görsel düzen analizi modelleriyle (DocLayNet) belgelerin okuma sırasını, başlık hiyerarşisini ve en karmaşık hücre birleştirmeli tablolarını yerel olarak çıkarır. Çıktıyı doğrudan LLM'lerin en iyi anladığı yapılandırılmış Markdown veya DoclingDocument JSON olarak üretir.
Bilanço, gelir tablosu veya teknik şartnamelerdeki karmaşık tablolar hücre ve başlık ilişkileri korunarak Markdown tablolarına veya HTML semantik etiketlerine çevrilir; anlamsal kayıp sıfıra iner.
Docling, standart bir 8 vCPU VDS üzerinde saniyede 1.5 - 2 sayfa dönüştürür. GPU VDS (ör. tek bir RTX 4060) eklendiğinde ise CUDA hızlandırmasıyla saniyede 4.5 sayfaya kadar çıkar.
Müşteri kimlikleri, ticari sırlar, hasta kayıtları veya gizlilik sözleşmeli (NDA) dokümanlar üçüncü taraf yabancı sunuculara iletilmez. Tüm işlem tamamen yerel VDS içinde kapalı devre tamamlanır.