Konvertieren Sie jedes Menüfoto in eine strukturierte Datentabelle – ohne dass Abschnittsüberschriften zu Gerichtezeilen werden

Eine Speisekarte ist kein Raster. Preise können am Ende einer Beschreibungszeile stehen, getrennt durch eine tabulatorartige Lücke. Sie können rechtsbündig in einer Spalte stehen und visuell durch Leerzeichen und Führungspunkte mit dem Gerichtenamen links verbunden sein. Sie können direkt nach dem Gerichtenamen stehen, ganz ohne Trennzeichen. Eine herkömmliche OCR-Engine liest die Seite von oben nach unten und von links nach rechts und erzeugt Text, in dem „Gegrillter Lachs – mit Zitronenbuttersauce und saisonalem Gemüse – 28,00 – Pan-Seared Ribeye – 12oz Rindfleisch aus Grasfütterung mit Trüffelpommes – 34,50" zu einem einzigen undifferenzierten Block wird. Der Preis von $28,00 wird der Lachs-Beschreibung zugeordnet; der Preis von $34,50 wird vollständig vom Ribeye getrennt. Stundenlange manuelle Nachbearbeitung folgt – und das bevor man sich mit mehrteiligen Speisekarten über ein halbes Dutzend Kategorien befasst.

Eine Gerichtsbeschreibung wie „Hausgemachte Pasta, langsam geschmortes Lammragù, Pecorino Romano, frisches Basilikum" kann je nach Spaltenbreite und Schriftgröße zwei oder drei Zeilen umfassen. Herkömmliche OCR liest jeden Zeilenumbruch als Datengrenze: Sie zerlegt diese Beschreibung in drei Fragmente und weist jedes Fragment einer separaten Zeile zu – oder verkettet die Fragmente, schreibt aber Zeile 2 und 3 nicht existierenden Gerichten zu. In der Zwischenzeit steht der tatsächliche Preis für dieses Gericht – $26,00 – isoliert im äußersten rechten Bereich von Zeile 1. Das Ergebnis ist eine Tabelle, in der ein Gericht drei Teilzeilen erzeugt, von denen keine sowohl eine vollständige Beschreibung als auch den korrekten Preis enthält. Bei einer Speisekarte mit 40 Gerichten in vier Abschnitten vervielfacht sich der manuelle Korrekturaufwand schnell – Nutzer in Foren für Restaurantbetrieb berichten durchgängig, dass die Digitalisierung von Speisekarten ohne spezielle Tools 60–90 Minuten pro Karte dauert.

„Vorspeisen", „Hauptgerichte", „Desserts", „Beilagen" – diese Abschnittsbeschriftungen verwenden dieselbe typografische Sprache wie Gerichtnamen: fette Schrift, größere Größe, prominente Platzierung. Ein herkömmlicher Parser liest „Vorspeisen" und behandelt es als Gericht in Zeile 1, dann weist er „Truffle Caesar Salad | $16.50" Zeile 2 zu. Das Ergebnis ist eine Tabellenkalkulation, in der Kategoriebeschriftungen als Datenzeilen mit leeren Preisspalten erscheinen, jedes Gericht seinen Abschnittskontext verliert und ein Menü mit 40 Positionen eine Tabelle mit 48 Zeilen und 8 Geisterzeilen erzeugt. Restaurantbetreiber, die aus diesen Ausgaben eine digitale Menüdatenbank aufbauen möchten, verbringen genauso viel Zeit mit dem Löschen von Abschnittsüberschriftenzeilen und dem manuellen Neuzuweisen von Kategorien, wie sie bräuchten, um die Daten von Grund auf einzugeben.

Benutzerdefinierte Spaltenextraktion – der Mechanismus hinter ImageToTable.ai – liest Text nicht sequenziell. Wenn Sie Spaltennamen wie „Artikelname", „Beschreibung" und „Preis" eingeben, lokalisiert die KI jeden Wert auf der gesamten Seite, indem sie versteht, was er semantisch ist und wozu er visuell gehört. Ein Preis, der rechts neben einem Gerichtenamen ausgerichtet ist, wird als zu diesem Gericht gehörend verstanden, weil er visuelle Nähe teilt, nicht weil er in derselben Textzeile erscheint. Eine Beschreibung, die sich über zwei Zeilen erstreckt, wird als ein zusammenhängender Textblock gelesen, nicht als separate Fragmente. Das bedeutet, dass ein Menü mit Preisen, die rechts hinter Führungspunkten ausgerichtet sind, Preisen, die unter Gerichtenamen in einem zweizeiligen Layout gestapelt sind, und Preisen, die inline nach Beschreibungen stehen – jede Ausrichtung, die der Menüdesigner gewählt hat – saubere Ausgabe erzeugt, bei der jede Gerichtezeile ihren korrekten Preis in der Preisspalte hat.

Wenn die KI „Vorspeisen" in fettem, zentriertem Text mit Leerraum darüber findet, extrahiert sie es nicht als Gerichtenamen. Sie liest den vollständigen visuellen Kontext: Auf die Bezeichnung „Vorspeisen" folgen mehrere Gerichte mit eigenen Namen, Beschreibungen und Preisen. Sie versteht, dass „Vorspeisen" eine Kategoriebezeichnung ist, kein Menüpunkt, und weist jedes darunterliegende Gericht der Kategoriespalte als „Vorspeisen" oder „Appetizer" zu. Wenn die nächste Abschnittsüberschrift – „Hauptgerichte" – erscheint, wechselt die Kategoriezuordnung entsprechend. Die Ausgabe ist eine saubere Tabelle, in der jede Zeile ein ausgefülltes Kategoriefeld hat und keine Abschnittsüberschrift als Geister-Gerichtezeile erscheint. Bei mehrseitigen Menüs, bei denen eine Kategorie vom unteren Rand von Seite 2 bis zum oberen Rand von Seite 3 reichen kann, verfolgt die KI den Abschnittskontext über Seitenumbrüche hinweg weiter, sodass keine Gerichte ohne Kategorie verwaist bleiben.

Speisekarten kommunizieren Ernährungs- und Nährwertinformationen auf uneinheitliche Weise. Eine vegetarische Kennzeichnung kann ein „V“-Symbol, ein grünes Blatt, das Wort „Vegan“ oder „(v)“ sein. Ein Schärfegrad kann aus ein bis fünf Chili-Symbolen, den Wörtern „mild/mittel/scharf“ oder einer Zahl auf einer Schärfeskala bestehen. Kalorien können als „(450 cal)“ inline nach der Beschreibung oder als separate „Cal“-Spalte mit eigener Überschrift gedruckt sein. Herkömmliche OCR kann die Zeichen lesen – „V“, „450 cal“, „🌶️🌶️“ – aber nicht interpretieren, was sie bedeuten oder zu welchem Gericht sie gehören. Die KI liest diese Attribute semantisch: Sie versteht, dass „(v)“ neben einem Gerichtenamen eine vegetarische Kennzeichnung bedeutet, dass „🔥🔥🔥“ einen Schärfegrad von 3/5 anzeigt, und sie ordnet jedes Attribut der richtigen Gerichtszeile und der richtigen Spalte in Ihrer Ausgabe zu. Wenn eine Speisekarte Symbole ohne Textbeschriftung verwendet (ein Chili-Emoji ohne Zahl), kann die KI die Anzahl der Symbole dennoch als Schärfegrad interpretieren, wenn Sie eine Spalte „Schärfegrad“ definieren.