Claude 3.5 SonnetがPDF内画像の解析に対応、図表や画像もそのまま認識

PDFの資料をAIに読み込ませた際、本文は理解してくれたものの、肝心のグラフや図解を完全にスルーされて困った経験はないでしょうか。

Anthropicは、同社の主力AIモデル「Claude 3.5 Sonnet」において、PDF内の画像や図表もまとめて認識・分析できる新機能をパブリックベータとして公開しました。

テキスト抽出だけでなく、ページ全体を画像として認識

これまでの多くの言語モデルは、PDFから文字情報だけを機械的に抜き出して処理していました。そのため、二段組のレイアウトが崩れたり、グラフ内の数値が抜け落ちたりする弱点がありました。

今回のClaude 3.5 Sonnetは3つの段階を踏んで処理します。まず文書からテキストを抽出し、次に各ページを画像に変換して視覚的に解析します。これにより、図表やレイアウトを含めた文書全体の文脈を把握できるようになりました。

決算資料のチャート分析や、図表が多用された技術文書の翻訳、契約書の確認などに威力を発揮します。さらにツール連携機能と組み合わせ、PDF内の図表から特定の値を抜き出して外部プログラムに渡すといった処理も可能です。

利用条件とトークン消費の注意点

本機能はWeb版の「Claude Chat」のプレビュー機能、およびAPIで利用可能です。API利用時はリクエストヘッダーに「anthropic-beta: pdfs-2024-09-25」を指定します。今後、Amazon BedrockやGoogle Vertex AIへの提供も予定されています。

利用制限として、ファイルサイズは32MB以下、ページ数は最大100ページまでとなります。暗号化やパスワード保護されたファイルには対応していません。

料金面での追加費用はありませんが、通常のトークン料金が適用されます。1ページあたり通常1,500〜3,000トークンを消費するため、長大な文書では消費量が跳ね上がります。Anthropicは、同じ文書に対して複数回の質問を行う場合はプロンプトキャッシュを活用することを強く推奨しています。

なぜ重要か

実務で扱う重要なビジネス文書の大半は、テキストだけでなくグラフや表で構成されています。今回のアップデートは、ユーザーの実際の業務フローに直結する大きな改善だといえます。

アナリストやエンジニアにとって、これまで自前でOCRや画像切り出しのパイプラインを組まなければならなかった作業が、Claude単体で完結するようになります。先行してマルチモーダル文書処理を強みとしていたGoogleのGemini 1.5に対しても、強力な対抗手段を手に入れた形です。

一方で注意すべきはトークンコストです。100ページのレポートをそのまま投入すると、1回で数十万トークン規模を消費することになります。文字だけの資料であればテキスト化して投入した方が遥かに経済的であり、図表の読解が本当に必要なドキュメントに絞って使うのが賢い運用法だと考えます。