Trích xuất thông tin là một công nghệ trích xuất các mục cụ thể như ngày, số tiền, tên và số điều khoản từ các văn bản phi cấu trúc như hợp đồng, hóa đơn và email yêu cầu rồi chuyển đổi chúng thành dữ liệu có cấu trúc.
Trích xuất thông tin, trong lĩnh vực xử lý ngôn ngữ tự nhiên, đề cập đến công nghệ phát hiện các biểu thức duy nhất (tên người, tên tổ chức, ngày tháng, số tiền, v.v.), mối quan hệ và sự kiện từ văn bản phi cấu trúc và bán cấu trúc và trích xuất chúng dưới dạng dữ liệu có cấu trúc. Trước đây, các biểu thức chính quy và trích xuất dựa trên quy tắc là các phương pháp chính, nhưng trong những năm gần đây, các phương thức chuyển lược đồ sang LLM và trích xuất nó đã được áp dụng rộng rãi. Trong hoạt động thực tế kể từ năm 2026, độ chính xác trích xuất có thể sẽ giảm sút với các tài liệu có định dạng không ổn định hoặc các tệp PDF gần với chữ viết tay và người ta cho rằng sẽ có nhiều trường hợp phải kiểm tra thủ công các mục bị thiếu hoặc nhận dạng không chính xác. Về chi phí, việc xử lý một lượng lớn tài liệu bằng LLM làm tăng chi phí tương ứng với số lượng mã thông báo, do đó, có thể dễ dàng chọn một thiết kế trước tiên thu hẹp các mục có thể được trích xuất bằng biểu thức thông thường hoặc OCR xử lý hậu kỳ, sau đó chỉ để lại các mục không rõ ràng cho LLM. Khi chọn một công cụ, việc so sánh phải dựa trên việc liệu nó có thể trả về điểm tin cậy cho kết quả trích xuất hay không và liệu nó có dễ dàng liên kết với việc xem xét thủ công hay không.