#AfDLeaks Dokumentenbestand erfolgreich indexiert und semantisch durchsuchbar gemacht. Wir haben 48.572 Dokumentdatensätze in unsere lokale Datenbank aufgenommen. Davon konnten 40.797 vollständig und weitere 191 teilweise indexiert werden. Die extrahierten Inhalte wurden in Textsegmente (Chunks) zerlegt und mithilfe eines Embedding-Modells in dimensionale Vektoren überführt. Damit können wir den Dokumentenbestand jetzt mittels semantischer Vektorsuche analysieren. Anders als bei einer klassischen Volltextsuche lassen sich auch inhaltliche Zusammenhänge identifizieren, ohne dass Suchbegriffe wortwörtlich in einem Dokument vorkommen müssen. Das erleichtert unsere weitere journalistische Arbeit erheblich. Relevante Dokumente können gezielt identifiziert, nach semantischer Ähnlichkeit priorisiert und anschließend anhand der Originaldateien überprüft werden. Wie geht es mit den übrigen Dokumenten weiter? 6.865 bildbasierte PDF-Dateien konnten bislang nicht textuell erschlossen werden. Diese werden wir mithilfe lokaler OCR-Verfahren nachbearbeiten und anschließend ebenfalls vektorisieren. Weitere 614 Dokumente enthalten keinen extrahierbaren Text. Hier prüfen wir die Ursachen und mögliche alternative Extraktionsverfahren. Bei 191 teilweise indexierten Dokumenten werden wir die Chunk-Limits überprüfen und gegebenenfalls die Verarbeitung vervollständigen. Hinzu kommen 96 bislang nicht unterstützte Dateien und neun Verarbeitungsfehler, die wir gesondert untersuchen. Die gesamte Verarbeitung erfolgt auf unserer lokalen Infrastruktur. Dokumente und personenbezogene Informationen werden nicht an externe KI-Dienste übertragen. Die technische Erschließung ist keine journalistische Bewertung. Sämtliche Erkenntnisse müssen weiterhin anhand der Originalquellen überprüft und verifiziert werden.