Panduan Praktis: Membangun Pipeline Document Intelligence dengan Google LangExtract dan OpenAI

Punya tumpukan dokumen yang harus dibaca satu per satu? Kontrak panjang, catatan meeting berantakan, atau laporan operasional yang njelimet? Tenang, ada cara lebih pintar.

Dalam artikel ini, kita akan bahas Google LangExtract—library dari Google yang bisa mengubah teks tidak terstruktur jadi data terstruktur, siap dipakai untuk analisis atau otomatisasi.

Kita akan pakai OpenAI model sebagai mesin pemrosesnya. Jadi kamu butuh API key dari OpenAI. Jangan khawatir, setup-nya simpel dan bisa langsung jalan di Google Colab.

Langkah pertama, install library yang dibutuhkan. Selain LangExtract itu sendiri, kita juga butuh pandas untuk manipulasi data dan IPython untuk visualisasi interaktif.

API key disimpan sebagai environment variable biar aman. Jangan hardcode langsung di script, ya. Pakai getpass supaya input key-nya tersembunyi.

Sekarang kita bangun fungsi utama: run_extraction. Fungsi ini akan jadi tulang punggung pipeline kita. Dia menerima teks, prompt instruksi, contoh ekstraksi, lalu menghasilkan output JSONL dan visualisasi HTML.

Ada juga helper function extraction_rows yang mengubah hasil ekstraksi jadi DataFrame pandas. Jadi kamu bisa langsung analisis dengan tools yang sudah familiar.

Mari kita coba tiga use case nyata. Yang pertama: analisis risiko kontrak.

Kontrak bisnis penuh dengan detail krusial—siapa pihaknya, kewajiban apa yang harus dipenuhi, deadline kapan, penalti berapa, hukum mana yang berlaku. Manual checking? Bisa-bisa ada yang terlewat.

Kita buat prompt khusus untuk ekstrak: party, obligation, deadline, payment_term, penalty, termination_clause, dan governing_law. Setiap ekstraksi dikasih atribut tambahan kayak risk_level dan category.

Contohnya gini: "BluePeak Analytics shall provide dashboard no later than April 30, 2026" jadi ekstraksi obligation dengan deadline tersendiri. Penalti 1.5% per bulan juga terekam sebagai penalty dengan risk_level high.

Yang menarik, LangExtract bisa grounding—menunjukkan teks asli persis di mana informasi itu ditemukan. Jadi kalau ada dispute, kamu bisa langsung tunjuk sumbernya.

Use case kedua: mengubah catatan meeting jadi action tracker.

Meeting sering berakhir dengan banyak diskusi tapi sedikit tindak lanjut. Padahal di dalam catatan meeting, sebenarnya sudah ada assignee, action item, due date, bahkan blocker yang menghambat progress.

Prompt kita ekstrak: assignee, action_item, due_date, blocker, dan decision. Plus atribut priority dan workstream biar mudah diprioritaskan.

Misalnya: "Arjun will prepare revised pricing sheet by Tuesday evening" langsung terekam sebagai action_item dengan owner Arjun dan due_date Tuesday evening. Ada blocker "pending security review" juga tercatat dengan priority high.

Hasilnya? Kamu punya daftar tugas terstruktur yang bisa langsung dimasukkan ke project management tool atau di-share ke tim.

Use case ketiga: ekstraksi intelligence dari dokumen panjang.

Laporan produk, press release, atau operational logs sering berisi insight berharga yang terkubur di tengah narasi panjang. Kita butuh cara cepat mengekstrak fakta kunci.

Prompt ini fokus ke: company, product, launch_date, region, metric, dan partnership. Cocok untuk competitive intelligence atau market research.

Contoh real: teks panjang tentang Vertex Dynamics dan produk FleetSense 3.0. Dari paragraf-paragraf itu, LangExtract menarik launch date 5 February 2026, region GCC dengan fokus Oman dan UAE, metric 22% improvement dan 31% reduction, serta partnership dengan Falcon Telematics.

Yang keren, meski informasi tersebar di beberapa paragraf, semua tetap terekam dengan grounding ke teks asli. Jadi kamu bisa verifikasi klaim apa pun dengan cepat.

Butuh proses banyak dokumen sekaligus? Bisa. Kita demo batch processing dengan tiga dokumen berbeda—kontrak, meeting notes, dan product announcement—dalam satu loop.

Setiap dokumen diproses dengan extraction_passes=2 untuk meningkatkan akurasi. Hasilnya digabung jadi satu DataFrame besar, siap diekspor ke CSV.

Analisis lanjutan juga mudah. Mau hitung berapa banyak obligation vs penalty di kontrak? Tinggal groupby class. Mau filter hanya action items dari meeting? Sederhana. Mau lihat semua metric dari dokumen panjang? Satu baris kode.

Data akhir disimpan sebagai CSV: langextract_tutorial_outputs.csv. File ini bisa langsung dibuka di Excel, di-import ke BI tools, atau dipakai untuk trigger automation workflow.

Visualisasi interaktif juga tersedia dalam format HTML. Jadi kamu bisa explore hasil ekstraksi dengan interface yang lebih friendly, lihat hubungan antar entitas, dan navigasi ke source text-nya.

Practical takeaway: mulai dari satu use case spesifik. Jangan langsung coba ekstrak semua jenis dokumen. Pilih yang paling menyusahkan tim kamu sekarang—misalnya kontrak yang harus direview manual tiap minggu.

Bangun prompt yang jelas, kasih 2-3 contoh ekstraksi yang well-annotated, lalu iterasi. Prompt engineering itu trial and error. Makin spesifik instruksimu, makin konsisten hasilnya.

Gunakan extraction_passes lebih dari satu kalau dokumennya kompleks atau kritis. Trade-off-nya waktu proses lebih lama, tapi akurasi naik signifikan.

Terakhir, selalu grounding hasil ekstraksi ke source text. Ini bukan cuma untuk verifikasi, tapi juga untuk compliance dan audit trail. Stakeholder akan lebih percaya data yang bisa ditelusuri sumbernya.

Dengan kombinasi LangExtract dan OpenAI, kamu bisa bangun document intelligence pipeline yang skalabel tanpa harus training model sendiri. Cukup definisikan apa yang mau diekstrak, kasih contoh, dan biarkan AI bekerja.