Pourquoi convertir les PDF en Markdown avant de les confier à une IA
Un PDF décrit où placer l'encre sur une page. Il ne sait pas ce qu'est un titre, un paragraphe ou un tableau. Quand un logiciel en extrait le texte, les colonnes peuvent fusionner, les en-têtes et les numéros de page atterrir au milieu des phrases, et les tableaux devenir un fouillis.
Pourquoi Markdown convient à l'IA
- C'est du texte brut : rien n'est caché ni perdu.
- Les titres sont balisés, ce qui aide à découper un document en sections cohérentes.
- Les listes et les tableaux gardent leur structure.
- Une personne peut facilement le lire et le corriger avant utilisation.
Comment obtenir un résultat propre
- Convertissez le PDF en Markdown.
- Parcourez le résultat. Supprimez les en-têtes, pieds de page et numéros de page répétés.
- Corrigez tout tableau mal converti ; un petit tableau est plus rapide à retaper qu'à réparer.
- Vérifiez que les titres sont de vrais titres.
PDF numérisés
Si le PDF est une numérisation, il contient une image de texte et non du texte. Il lui faut d'abord une reconnaissance optique de caractères. Si vous pouvez sélectionner les mots avec votre curseur dans un lecteur PDF, il contient du vrai texte et sera converti.
Quand l'effort en vaut la peine
Pour un document court et simple, importer directement le PDF suffit. Pour les longs manuels, les grilles tarifaires et tout ce qui contient des tableaux, dix minutes de nettoyage donnent des réponses nettement meilleures.