NVIDIA-Ingest是什么

NVIDIA-Ingest是英伟达开源的用于解析复杂、混乱的非结构化PDF和其他企业文档的微服务集合。NVIDIA-Ingest能将文档转换为元数据和文本，便于嵌入到检索系统中。NVIDIA-Ingest支持PDF、Word、PowerPoint和图像等多种文档格式，提供多种提取方法，便于在吞吐量和准确性之间进行权衡。NVIDIA-Ingest支持预处理和后处理操作，如文本分割、转换、过滤、嵌入生成和图像存储。NVIDIA-Ingest基于并行化文档处理，提高提取效率，支持将提取内容嵌入到Milvus等向量数据库中，适用于大规模文档处理和生成式应用。

NVIDIA-Ingest的主要功能

多格式文档支持：支持解析 PDF、Word (Docx)、PowerPoint (Pptx) 和图像等多种复杂的企业文档格式。多方法提取：支持多种提取方法，便于在吞吐量和准确性之间进行权衡。例如，PDF 文档支持 pdfium、Unstructured.io 和 Adobe Content Extraction Services 进行提取。内容分类与提取：将文档内容分类为文本、表格、图表和图像，分别提取这些内容。用光学字符识别（OCR）技术将提取的内容进一步上下文化，并转换为定义良好的 JSON 模式。并行处理：支持将文档拆分为页面，并行处理每个页面的内容提取，提高处理效率。预处理和后处理：支持多种预处理和后处理操作，包括文本分割和分块、内容转换、过滤、嵌入生成和图像存储。

NVIDIA-Ingest的技术原理

微服务架构：基于微服务架构，每个微服务负责特定的处理任务，如文本提取、图像提取、表格提取等，提高系统的可扩展性和灵活性。GPU 加速：基于NVIDIA 的 GPU 技术，特别是 H100 和 A100 GPU，加速文档解析和内容提取过程。GPU 的并行计算能力显著提高了处理效率，尤其是在处理大量文档时。光学字符识别（OCR）：用 OCR 技术将文档中的图像和表格内容转换为可读的文本。NVIDIA-Ingest集成多种 OCR 引擎，如 PaddleOCR，提高文本识别的准确性和效率。

NVIDIA-Ingest的项目地址

GitHub仓库：https://github.com/NVIDIA/nv-ingest

NVIDIA-Ingest的应用场景

企业内容管理：将纸质文档、PDF、Word和PowerPoint等转换为可搜索、可编辑的数字格式，支持知识共享和协作。智能客服系统：解析用户上传的文档，提取关键信息，生成自动回答，提高客服效率和用户满意度。法律和合规领域：解析合同、法律文件，提取关键条款和条件，支持合规检查、风险评估和案件管理。金融行业：解析财务报告、合同和市场研究文档，提取关键数据，支持风险评估、合规监控和客户尽职调查。医疗保健：将病历文档转换为结构化数据，支持电子病历管理、临床研究和医疗影像分析。