Tote SCORM-Kurse in eine lebendige Wissensdatenbank verwandeln

Unternehmens-Schulungsbibliotheken enthalten jahrzehntelanges akkumuliertes Fachwissen – Sicherheitsverfahren, Compliance-Anforderungen, Produktspezifikationen, Onboarding-Prozesse. Diese Inhalte wurden von Fachexperten zu erheblichen Kosten erstellt. Sie sind jedoch in SCORM-Paketen gesperrt, die für LMS-Interop, nicht für KI-Pipelines konzipiert wurden.

ScormParser überbrückt diese Lücke. Unsere KI-Engine versteht die interne Struktur von SCORM, extrahiert alle Inhalts-Assets, transkribiert Audio und Video und gibt vorgechunkte Inhalte aus, die bereit zum Embedding sind.

Laden Sie ein SCORM ZIP-Paket über unsere API hoch. Die KI von ScormParser verarbeitet das gesamte Paket – extrahiert Textinhalte, transkribiert Audio und Video mit Spracherkennung und strukturiert alles in sauberes Markdown oder JSON. Der Output enthält vorberechnete Chunk-Grenzen, die für gängige Embedding-Modelle optimiert sind.

Verschiedene Embedding-Modelle haben unterschiedliche Kontextfenster und liefern mit verschiedenen Chunk-Größen beste Ergebnisse. ScormParser ermöglicht es Ihnen, Chunking-Strategien zu konfigurieren, die zu Ihrem Modell passen – egal ob Sie OpenAIs text-embedding-3-large, Coheres embed-v3 oder Open-Source-Modelle wie BGE oder E5 verwenden. Jeder Chunk enthält Kurshierarchie-Metadaten, sodass Ihre Retrieval-Pipeline den Kontext beibehält.

{
  "text": "All forklift operators must complete...",
  "metadata": {
    "course": "Warehouse Safety 2024",
    "module": "Equipment Operation",
    "slide": 7
  }
}

Der gechunkte Output von ScormParser ist für die direkte Einspeisung in gängige Vektor-Datenbanken konzipiert. Laden Sie Chunks direkt in Pinecone, Weaviate, Qdrant oder ChromaDB, ohne benutzerdefinierten Transformationscode zu schreiben. Das Ausgabeformat entspricht dem, was diese Datenbanken erwarten, sodass Sie in Minuten von SCORM zu durchsuchbarem Wissen gelangen.