Organizacje zajmujące się dużymi ilościami plików PDF, raportów, umów, akt spraw, podręczników spędzają znaczący czas pracowniczy na czytaniu dokumentów, aby znaleźć to, co istotne. Dwie zdolności AI zmieniają ten nakład pracy: podsumowanie jednym kliknięciem, które pozwala osobie ocenić dokument bez jego czytania, oraz zapytanie konwersacyjne, które odpowiada na pytania w języku naturalnym dotyczące jego treści. IronPDF dodaje oba do aplikacji .NET poprzez swoje rozszerzenie AI, zbudowane na Microsoft Semantic Kernel i wspierane przez Azure OpenAI.

Problem biznesowy

Agent wsparcia potrzebuje odpowiedzi ukrytej w dokumentacji produktu. Analityk chce uzyskać kluczowe liczby z raportu o objętości 60 stron. Recenzent prawny musi sprawdzić konkretną klauzulę w długich umowach. Czytanie każdego dokumentu od początku do końca nie jest skalowalne. Celem jest podsumowanie na wejściu i pozwolenie ludziom na zadawanie pytań w prostym języku.

Rozwiązanie

Pakiet IronPdf.Extensions.AI dodaje Summarize do szybkich streszczeń i Query do ciągłego, kontekstoświadomego zadawania pytań. Po skonfigurowaniu Semantic Kernel z punktem końcowym Azure i magazynem pamięci, podsumowanie dokumentu zajmuje jedno wywołanie.

using IronPdf;
using IronPdf.AI;
using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.Memory;

var builder = Kernel.CreateBuilder()
    .AddAzureOpenAITextEmbeddingGeneration("oaiembed", azureEndpoint, apiKey)
    .AddAzureOpenAIChatCompletion("oaichat", azureEndpoint, apiKey);
var kernel = builder.Build();

var memory = new MemoryBuilder()
    .WithMemoryStore(new VolatileMemoryStore())
    .WithAzureOpenAITextEmbeddingGeneration("oaiembed", azureEndpoint, apiKey)
    .Build();

IronDocumentAI.Initialize(kernel, memory);

PdfDocument pdf = PdfDocument.FromFile("report.pdf");
string summary = await pdf.Summarize();

using IronPdf;
using IronPdf.AI;
using Microsoft.SemanticKernel;
using Microsoft.SemanticKernel.Memory;

var builder = Kernel.CreateBuilder()
    .AddAzureOpenAITextEmbeddingGeneration("oaiembed", azureEndpoint, apiKey)
    .AddAzureOpenAIChatCompletion("oaichat", azureEndpoint, apiKey);
var kernel = builder.Build();

var memory = new MemoryBuilder()
    .WithMemoryStore(new VolatileMemoryStore())
    .WithAzureOpenAITextEmbeddingGeneration("oaiembed", azureEndpoint, apiKey)
    .Build();

IronDocumentAI.Initialize(kernel, memory);

PdfDocument pdf = PdfDocument.FromFile("report.pdf");
string summary = await pdf.Summarize();

Metoda Query utrzymuje kontekst rozmowy pomiędzy pytaniami uzupełniającymi, co jest podstawą dla chatbota dokumentów, wewnętrznej bazy wiedzy lub narzędzia badawczego. W połączeniu z OCR, podsumowanie działa również na zeskanowanych dokumentach, złożonych układach wielokolumnowych i plikach z obrazami oraz tabelami.

Punkty do zaplanowania

Ta funkcja wymaga więcej konfiguracji niż przewodniki konwersji, więc pewne wymagania wstępne są istotne:

• Trzy pakiety: IronPdf, IronPdf.Extensions.AI i Microsoft.SemanticKernel.Plugins.Memory. Plugin pamięci zasila ciągłe zapytania.
• Backend Azure OpenAI: Dokumentowana ścieżka wymaga subskrypcji Azure z dostępem do usługi Azure OpenAI Service, skonfigurowanej z punktem końcowym i kluczem.
• Przetwarzanie danych: Rozszerzenie wyodrębnia tekst dokumentu i wysyła go do punktu końcowego Azure OpenAI, więc poufna treść opuszcza lokalne środowisko. Uwzględnij to w regulowanych przepływach pracy.
• Magazyn pamięci według środowiska: VolatileMemoryStore pasuje do rozwoju, podczas gdy Chroma, Azure Cognitive Search lub Qdrant pasują do trwałości produkcyjnej.
• Eksperymentalne API: Semantic Kernel generuje SKEXP ostrzeżenia budowy, które można wyciszyć wpisem NoWarn w csproj.

Wynik

Za pomocą niewielkiej konfiguracji zespoły dodają automatyczne podsumowania i interfejs czatu ze swoim dokumentem do aplikacji .NET, przekształcając gęste pliki PDF w coś, co pracownicy i użytkownicy mogą w kilka sekund przeszukać. Pełne szczegóły konfiguracji znajdują się w przewodniku OpenAI dla PDF.