Intelligente Dokumentenverarbeitung
Problem
Ein Kunde aus der Umwelttechnik hatte eine große Menge wissenschaftlicher PDFs und gescannter Dokumente – Laborberichte, Umweltdaten, Forschungspublikationen –, die durchsuchbar und strukturiert sein sollten, deren Inhalte aber zu sensibel waren, um sie an externe Cloud-Dienste zu senden.
Was ich gebaut habe
Als Hauptentwickler und ursprünglicher Architekt habe ich die komplette Pipeline gebaut: Dokumente kommen über einen Upload-Schritt herein, durchlaufen Multi-Engine-OCR (mit Unterstützung von über 50 Sprachen für den mehrsprachigen Dokumentenbestand des Kunden), dann strukturierte Extraktion mit NLP, Speicherung in PostgreSQL, semantische Vektor-Embeddings für bedeutungsbasierte Suche und ein Suchfrontend obendrauf.
Technische Entscheidungen
Das gesamte System läuft bewusst ohne Cloud-Abhängigkeit – jede Stufe, von OCR über Embeddings bis zur Suche, läuft auf Infrastruktur, die der Kunde selbst kontrolliert. Das war von Anfang an eine bewusste architektonische Vorgabe, getrieben von Datenschutz- und DSGVO-Anforderungen, keine Kostenentscheidung, und sie bestimmte die Wahl jeder einzelnen Komponente der Pipeline.
Ergebnis
Eine funktionierende End-to-End-Pipeline – vom rohen gescannten Dokument bis zu durchsuchbaren, strukturierten Daten – gebaut und betrieben ohne jegliche Cloud-Abhängigkeit, für einen Kunden, bei dem die Sensibilität der Daten das zur harten Anforderung machte.