LLMを使った高精度のdocument読み取り

2025年、LLFarMではLLMを用いて、高精度で pdf 由来のドキュメントから高精度に文字情報、画像情報、その他を検出することに成功しました。

LFarM：画像処理×LLMで、PDFから“意味”を高精度に抽出

LLFarMは、LLMを用いた業務システム開発ブランドです。
今回の成果は、長年Deep Learning / Computer Visionで培ってきた画像処理技術を“前処理”として組み込むことで、PDFドキュメントから意味情報を高精度に抽出できた点にあります。

一般的なOCRは、文章（テキスト）を高精度に検出できます。一方で、図・表（Table）・レイアウト構造を含むドキュメントでは、読み取り結果が「崩れる」「要素が混ざる」「セル結合や列の対応が乱れる」といった課題が残りやすく、LLMに渡しても意図した理解に繋がらないケースがあります。

LLFarMでは、PDFを単に文字起こしするのではなく、ドキュメントを“理解可能な構造”に再構成してからLLMへ入力します。これにより、図表を含む資料でも、検索・要約・QA・RAGで利用できる品質まで引き上げました。

弊社独自の以下技術を組み合わせ、図・表・本文が混在するPDFでも、意味を保ったまま情報抽出を実現しています。

1. レイアウト分離技術
   見出し／本文／注釈／図／表などを判別し、要素同士の混線を防ぎます。

2. Table読み取り技術
   罫線・セル構造・行列対応・結合セルなどを考慮し、表を“使えるデータ構造”へ変換します。

3. 既存OCRの活用
   テキスト抽出は強みを持つ既存OCRを適材適所で利用し、安定した文字認識を確保します。

4. Deep Learningによる画像処理前処理
   ノイズ除去、歪み補正、コントラスト調整、要素強調などを行い、図表を含むページでも読み取り精度を底上げします。

技術スタック（開発・運用）

• Cloud: Microsoft Azure

• Language: Python

• Environment: Docker（仮想環境／コンテナ運用）

• Main Libraries: LangChain / LangGraph（RAG・エージェント構成、ワークフロー実装）