No-OCR：OCRテキスト抽出が不要なドキュメント処理ツール 157

No-OCRとは？

No-OCRは、複雑なOCRテキスト抽出を必要としないドキュメント処理ツールです。PDFファイルをアップロードするだけで、複数のドキュメントコレクション内のコンテンツを迅速に検索・照会でき、従来のOCR技術に依存しないため、ドキュメント分析の効率を向上させます。PDF/ドキュメントコレクションの作成と管理をサポートし、「ケース」ごとに分類して整理できるほか、Hugging Faceスタイルのデータセットも自動構築します。さらに、No-OCRはベクトルベースのPDFページや関連画像の検索機能（LanceDBを使用）を備え、Qwen2-VLによる画像やチャートの視覚的質問応答も可能です。テキストとビジュアルクエリのハイブリッド検索をサポートし、Dockerで簡単にデプロイでき、設定もシンプルで、詳細な開発インストール手順も提供されています。

No-OCRの特徴

• OCR不要：OCR技術に完全に依存しないため、視覚コンテンツが豊富なPDFファイルに適しています。

• シンプルで使いやすい：PDFファイルをアップロードするだけで検索でき、複雑な視覚コンテンツ（テーブル、チャート、レイアウトなど）にも対応します。

• オープンソースモデル：オープンソースのLLM（大規模言語モデル）に基づいてコンテンツの検索と解釈を行います。

• デプロイ可能：Dockerデプロイをサポートし、あらゆるエンタープライズ環境に対応します。

No-OCRの使用シーン

• 適用シーン：ドキュメントにテーブル、チャート、レイアウトなどの豊富な視覚コンテンツが含まれている場合、No-OCRは非常に良い選択肢です。

• 不適用シーン：ドキュメントが主にプレーンテキストコンテンツである場合、従来のBM25検索の方が適している可能性があります。

• 混合コンテンツ：ドキュメントにテキストと視覚コンテンツが混在している場合、必要に応じてソリューションを調整する必要があるかもしれません。

No-OCRのアーキテクチャ設計

• シンプルなアーキテクチャ：データベースやメッセージキューに依存せず、すべての永続化操作はファイルシステムに基づいています。

• 主要サービス：

• Modal：LLMのデプロイに使用。

• Qdrant：多ベクトル検索に使用。

• Supabase：ユーザー認証と認可に使用。

• ケースの作成：ユーザーがPDFファイルをアップロードしケース名を指定すると、システムがPDFをデータセットに変換してQdrantにアップロードします。

• 検索フロー：ユーザーが検索クエリを入力すると、LLMが関連ページを識別しコンテンツを解釈します。

No-OCRのLLMモデル

• ColPaliファミリー：画像検索に使用され、画像を検索可能な形式に変換します。

• Qwen2-VLファミリー：視覚コンテンツ推論に使用され、特にQwen2-VL-7B-Instructモデルは、現在最も先進的なオープンソース視覚モデルの一つです。

ケース作成フロー

動作原理

No-OCRプラットフォームは簡素化されたRAGアプローチを採用しており、ユーザーはPDFファイルをアップロードしてケースを作成するだけで、システムがこれらのファイルを処理し検索可能にします。視覚要素に関する質問を含むあらゆる質問が可能で、プラットフォームはトップクラスのオープンソース推論モデルを利用して回答を提供します。

検索フロー

No-OCRの使用手順

1. 複雑なPDFをアップロードして処理：ユーザーが challenging なPDFファイルをアップロードして新しいケースを作成し、複雑なOCR処理なしで埋め込みを生成します。

2. 検索可能にする：処理完了後、ユーザーはテキストベースのクエリを実行でき、PDFレイアウトがどれだけ複雑でも、関連ページと引用を迅速に見つけられます。

3. 視覚関連の問題を提起する：プラットフォームが関連ページを迅速に特定し、専門的なオープンソース視覚モデルを通じてさらに回答を精錬するため、PDFにチャートや図表が含まれていても、文脈を考慮した洞察を提供します。

TLDR：https://no-ocr.com/about

Github：https://github.com/kyryl-opens-ml/no-ocr