MarkItDown est un utilitaire léger et open-source développé par Microsoft qui permet de convertir une grande variété de fichiers en un format unique : le Markdown.
Conçu principalement pour préparer des données à destination des grands modèles de langage (LLM) et des pipelines d’analyse de texte, voici comment le définir simplement en trois points :
Un traducteur universel : Il prend en entrée des fichiers de formats très variés (PDF, PowerPoint, Word, Excel, images, audios, pages HTML, JSON, etc.) et les convertit en Markdown.
Un outil pour l’IA : Sa mission est de transformer le contenu de ces fichiers en un texte structuré (avec titres, listes, tableaux) que les IA comprennent parfaitement, afin de pouvoir les utiliser pour des systèmes de questions-réponses ou d’analyse de documents.
Simple d’utilisation : Il fonctionne à la fois en ligne de commande et en tant que bibliothèque Python, ce qui permet de l’intégrer facilement dans des scripts d’automatisation.
Quelques fonctionnalités avancées :
Il peut s’appuyer sur des modèles d’IA comme GPT-4 pour décrire le contenu d’images, ou utiliser des services comme Azure Document Intelligence pour une reconnaissance optique de caractères (OCR) plus poussée