Wandeln Sie jedes Speisekartenfoto in eine strukturierte Datentabelle um – ohne dass Abschnittsüberschriften zu Gerichtszeilen 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, optisch mit dem Gerichtenamen links durch Leerraum und Führungspunkte verbunden. Sie können direkt nach dem Gerichtenamen stehen, ganz ohne Trennzeichen. Eine herkömmliche OCR liest die Seite von oben nach unten, links nach rechts und erzeugt Text, bei dem „Gegrillter Lachs – Mit Zitronenbuttersoße und Saisongemüse – 28,00 – Gebratenes Ribeye – 12 oz Weiderind mit Trüffelpommes – 34,50“ zu einem undifferenzierten Block wird. Der Preis von 28,00 € wird der Lachs-Beschreibung zugeordnet; der Preis von 34,50 € wird vollständig vom Ribeye getrennt. Es folgen stundenlange manuelle Nacharbeiten – und das bevor man sich mit mehrteiligen Speisekarten über ein halbes Dutzend Kategorien befasst.

Eine Gerichtsbeschreibung wie „Hausgemachte Pasta, langsam geschmortes Lammragout, Pecorino Romano, frisches Basilikum“ kann sich je nach Spaltenbreite und Schriftgröße über zwei oder drei Zeilen erstrecken. Herkömmliche OCR liest jeden Zeilenumbruch als Datengrenze: Sie zerlegt die Beschreibung in drei Fragmente und weist jedes Fragment einer eigenen Zeile zu, oder sie verkettet die Fragmente, ordnet aber Zeile 2 und 3 Geistergerichten zu. Der tatsächliche Preis für dieses Gericht – 26,00 € – bleibt derweil isoliert im äußersten rechten Bereich von Zeile 1. Das Ergebnis ist eine Tabelle, in der ein Gericht drei unvollständige Zeilen erzeugt, von denen keine sowohl eine vollständige Beschreibung als auch den korrekten Preis aufweist. 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 Werkzeuge 60–90 Minuten pro Karte dauert.

„Vorspeisen“, „Hauptgerichte“, „Desserts“, „Beilagen“ – diese Abschnittsbezeichnungen verwenden dieselbe typografische Sprache wie Gerichtenamen: fette Schrift, größere Schriftgröße, prominente Platzierung. Ein herkömmlicher Parser liest „Vorspeisen“ und behandelt es als Gericht in Zeile 1, dann weist er „Trüffel-Caesar-Salat | 16,50 €“ Zeile 2 zu. Das Ergebnis ist eine Tabelle, in der Kategoriebezeichnungen als Datenzeilen mit leeren Preisspalten erscheinen, jedes Gericht seinen Abschnittskontext verliert und eine 40-Gerichte-Speisekarte eine 48-zeilige Tabelle mit 8 Phantomzeilen erzeugt. Restaurantbetreiber, die aus diesen Ausgaben eine digitale Speisekartendatenbank aufbauen möchten, verbringen genauso viel Zeit mit dem Löschen von Abschnittsüberschriftenzeilen und dem manuellen Neuzuweisen von Kategorien, wie sie die Daten von Grund auf neu eingeben würden.

Custom Column Extraction – der Mechanismus hinter ImageToTable.ai – liest Text nicht sequenziell. Wenn Sie Spaltennamen wie „Gerichtsname", „Beschreibung" und „Preis" eingeben, lokalisiert die KI jeden Wert auf der gesamten Seite, indem sie versteht, was er semantisch ist und zu welchem Element er visuell gehört. Ein Preis, der rechts neben einem Gerichtsnamen ausgerichtet ist, wird als zu diesem Gericht gehörig erkannt, weil er visuell nah ist – nicht, weil er in derselben Textzeile steht. Eine über zwei Zeilen umbrechende Beschreibung wird als ein zusammenhängender Textblock gelesen, nicht als separate Fragmente. Das bedeutet: Ein Menü mit rechtsbündigen Preisen hinter Führungspunkten, Preisen unterhalb der Gerichtsnamen in einem zweizeiligen Layout und Preisen inline nach Beschreibungen – egal welche Ausrichtung der Menüdesigner wählte – liefert stets saubere Ergebnisse, bei denen jede Gerichtszeile den korrekten Preis in der Spalte „Preis" hat.

Wenn die KI auf „Vorspeisen" in fettem, zentriertem Text mit Leerraum darüber stößt, extrahiert sie dies nicht als Gerichtsnamen. Sie erfasst den gesamten visuellen Kontext: Der Beschriftung „Vorspeisen" folgen mehrere Gerichte mit eigenen Namen, Beschreibungen und Preisen. Sie versteht, dass „Vorspeisen" eine Kategoriebezeichnung und kein Menüpunkt ist, und weist jedes darunterliegende Gericht der Spalte „Kategorie" als „Vorspeisen" oder „Appetizer" zu. Sobald die nächste Abschnittsüberschrift – „Hauptgerichte" – erscheint, wechselt die Kategoriezuordnung entsprechend. Das Ergebnis ist eine saubere Tabelle, in der jede Zeile ein ausgefülltes Kategoriefeld hat und keine Abschnittsüberschrift als Geister-Gerichtszeile auftaucht. Bei mehrseitigen Menüs, bei denen eine Kategorie vom unteren Rand der Seite 2 bis zum oberen Rand der Seite 3 reichen kann, verfolgt die KI den Abschnittskontext über Seitenumbrüche hinweg weiter, sodass keine Gerichte ohne Kategorie bleiben.

Speisekarten vermitteln Ernährungs- und Nährwertinformationen auf uneinheitliche Weise. Ein vegetarischer Hinweis kann ein „V“-Symbol, ein grünes Blatt, das Wort „Vegan“ oder „(v)“ sein. Ein Schärfegrad kann durch ein bis fünf Chili-Symbole, die Wörter „mild/mittel/scharf“ oder eine Zahl auf einer Schärfeskala dargestellt werden. Kalorien können als „(450 kcal)“ inline nach der Beschreibung oder als separate Spalte „Kalorien“ mit eigener Überschrift angegeben werden. Herkömmliche OCR kann die Zeichen lesen – „V“, „450 kcal“, „🌶️🌶️“ – aber nicht interpretieren, was sie bedeuten oder zu welchem Gericht sie gehören. Die KI liest diese Attribute semantisch: Sie versteht, dass „(v)“ neben einem Gerichtnamen auf eine vegetarische Kennzeichnung hinweist, dass „🔥🔥🔥“ einen Schärfegrad von 3/5 bedeutet, und 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 dennoch die Anzahl der Symbole als Schärfegrad interpretieren, wenn Sie eine Spalte „Schärfegrad“ definieren.