# Selbstverbessernde Dokumentenextraktion

> Unser Harness für Dokumentenextraktion kann sich jetzt an die Dokumente anpassen, die Sie ihm senden. Auf zwei öffentlichen Datensätzen stieg die Genauigkeit um etwa 7 bis 10 Prozentpunkte.

Shashank Aggarwal · 08.11.2026 · 3 Min. Lesezeit · Engineering
Canonical: https://platform.uprelic.com/de/blog/self-improving-document-extraction
English: https://platform.uprelic.com/blog/self-improving-document-extraction.md
Français: https://platform.uprelic.com/fr/blog/self-improving-document-extraction.md

---

Unsere [API für Dokumentenextraktion](https://platform.uprelic.com/docs/document-extraction) nimmt ein PDF oder Bild und eine Liste von Feldern entgegen und gibt für jedes Feld den Wert mit einer Konfidenz zurück. Bei den meisten Dokumenten funktioniert das von Anfang an gut. Aber die Dokumente jedes Kunden sind ein wenig anders. Ein Lieferant druckt „Bezahlter Betrag“, ein anderer „Dankend erhalten“, und auf dem Beleg einer Restaurantkette steht die Servicegebühr dort, wo eine andere die Steuer druckt. Ein allgemeines Setup macht bei diesen Details immer wieder dieselben Fehler, bei denselben Feldern, für denselben Kunden.

Deshalb haben wir einen Weg gebaut, wie die Extraktion diese Details aus den eigenen Dokumenten jedes Kunden lernt.

## Harnesses

Strom ist ein Entscheidungsmodell: Es beantwortet Fragen mit kalibrierten Wahrscheinlichkeiten. Allein liest es keine PDFs. Ein **Harness** ist der Code um das Modell herum, der eine Aufgabe in Fragen übersetzt, die Strom beantworten kann, und die Antworten wieder in ein Ergebnis. Bei der Dokumentenextraktion liest das Harness die Seiten, findet die Zeilen, die ein Feld enthalten könnten, fragt Strom, welche Zeile die richtige ist, und bereinigt den Wert passend zum Typ des Feldes.

Das Modell teilen sich alle. Im Harness kann Wissen über die Dokumente eines einzelnen Kunden liegen, ohne das Modell anzufassen. Dort passiert die Selbstverbesserung.

## Wie die Selbstverbesserung funktioniert

Sie schalten sie unter [Abrechnung](https://platform.uprelic.com/console/billing) ein, und Ihre Dokumente gehen wie bisher über `POST /v1/extract`. Sobald genug neue Dokumente eingegangen sind, sieht sich das Harness eine Stichprobe Ihrer letzten Dokumente an, findet heraus, welche Ihrer Felder es falsch ausliest, und passt für Ihr Konto an, wie es diese Felder liest. Eine Änderung wird nur aktiv, wenn sie bei Ihren eigenen Dokumenten besser abschneidet als das bisherige Setup. Sonst wird sie verworfen.

Was es nicht ist:

- **Kein Training.** Strom selbst ändert sich nicht, und Ihre Dokumente werden nie verwendet, um ein Modell zu trainieren oder feinabzustimmen.
- **Nicht geteilt.** Was das Harness aus Ihren Dokumenten lernt, gilt nur für Ihr Konto.
- **Nicht dauerhaft.** Wenn Sie es ausschalten, läuft Ihre Extraktion wieder mit dem Standard-Setup. Schalten Sie es wieder ein, gelten die Verbesserungen erneut.

## Wie wir es getestet haben

Wir haben zwei öffentliche Datensätze mit bekannten richtigen Antworten verwendet:

- **[CORD](https://github.com/clovaai/cord)**: Fotos von Laden- und Restaurantbelegen aus Indonesien. Wir haben 7 Felder extrahiert: Zwischensumme, Steuer, Servicegebühr, Rabatt, Gesamtbetrag, bar bezahlt und Wechselgeld.
- **[DocILE](https://docile.rossum.ai/)**: gescannte Geschäftsdokumente, überwiegend Rechnungen. Wir haben 12 Felder extrahiert, darunter Rechnungsnummer, Bestellnummer, Kundennummer, Daten, Summen sowie bezahlte und offene Beträge.

Für jeden Datensatz haben wir Dokumente mit eingeschalteter Selbstverbesserung über die API gesendet und das Harness eine Runde von Verbesserungen machen lassen. Dann haben wir die Genauigkeit vor und nach dieser Runde mit den richtigen Antworten des Datensatzes verglichen, und zwar an Dokumenten, aus denen die Verbesserungen nicht entstanden sind. So sieht man, wie gut die Änderungen auf Dokumente übertragen werden, aus denen das Harness nicht gelernt hat.

## Ergebnisse

| Datensatz | Vorher | Nachher | Gewinn |
|---|---|---|---|
| CORD-Belege | 78,1 % | **85,3 %** | +7,2 Prozentpunkte |
| DocILE-Rechnungen | 62,0 % | **71,8 %** | +9,8 Prozentpunkte |

„Vorher“ und „Nachher“ sind der Anteil aller Feldantworten, die richtig waren, nach einer Runde.

Die Verbesserungen kommen von einigen Feldern, die bei vielen Dokumenten auf dieselbe Weise falsch waren:

| Feld | Datensatz | Vorher | Nachher |
|---|---|---|---|
| Servicegebühr | CORD | 65 % | 97 % |
| Bar bezahlt | CORD | 80 % | 98 % |
| Bezahlter Betrag | DocILE | 20 % | 93 % |
| Bestellnummer | DocILE | 28 % | 64 % |
| Kundennummer | DocILE | 67 % | 82 % |

Felder, die schon bei den meisten Dokumenten richtig waren, blieben etwa gleich.

Nicht jede Änderung hat geholfen. Bei DocILE ging der Anteil richtiger Rechnungsnummern von 80 % auf 74 % zurück: Das Harness wurde strenger darin, was als Rechnungsnummer zählt, als der Datensatz es ist. Wir arbeiten daran, solche Änderungen abzufangen, bevor sie aktiv werden.

## Was es kostet

Solange die Selbstverbesserung eingeschaltet ist, kostet `POST /v1/extract` das Doppelte des üblichen Preises. Wir speichern die Dokumente, die Sie senden, 90 Tage lang, damit das Harness etwas hat, aus dem es lernen kann. Beim Ausschalten gilt wieder der übliche Preis, und es werden keine Dokumente mehr gespeichert. Die Einzelheiten stehen in [unseren AGB](https://platform.uprelic.com/legal/terms), § 9.9.

Sie können sie für Ihr Konto unter [Abrechnung](https://platform.uprelic.com/console/billing) einschalten. Die [API-Dokumentation](https://platform.uprelic.com/docs/document-extraction) erklärt den Endpunkt selbst.

## Wie es weitergeht

Die Selbstverbesserung ist in der Beta. Wir fügen laufend neue Wege hinzu, wie das Harness aus Ihren Dokumenten lernt, damit jede Runde mehr aus ihnen herausholt. Und die Dokumentenextraktion ist nur das erste Harness, das sie bekommt: Als Nächstes bringen wir die Selbstverbesserung zu weiteren, beginnend mit [Agent Guard](https://platform.uprelic.com/blog/agent-guard).