Unlimited OCR 2: PDF escaneado a texto y extracción de tablas

¿Qué agrega Unlimited OCR 2?

Baidu describe la identificación de títulos, párrafos, tablas y otros elementos, incluida la unión de contenidos entre páginas. El modelo está orientado a documentos muy largos. Unlimited no garantiza uso en línea ilimitado: revise los límites del servicio y los requisitos de despliegue de la vía elegida.

Fuentes: Baidu: Unlimited OCR 2 release and public test

De PDF escaneado a texto: use un flujo de trabajo de tres etapas

Primero, identifique la entrada. Si no se puede seleccionar el texto, es posible que sea necesario un paso OCR. Si se puede seleccionar pero una tabla se copia en las columnas incorrectas, concéntrese en la extracción del diseño. Mantenga las páginas originales junto a la versión extraída para poder comprobar la estructura.

En segundo lugar, inspeccione los detalles de alto valor: identificadores, fechas, separadores decimales, signos negativos y encabezados de columna. Conserve el número de página con cada fila extraída. Un cambio de columna puede convertir un número exacto en una afirmación inexacta.

En tercer lugar, pídale al asistente que responda únicamente desde el texto verificado. Exija una referencia de fuente para cada declaración importante y una incógnita explícita cuando falte un campo. Separe una pregunta de transcripción de una pregunta de interpretación.

Cómo verificar tablas que abarcan varias páginas

Los encabezados repetidos son etiquetas, no filas de datos adicionales. No se debe volver a agregar un subtotal a las entradas subyacentes. Cuando una fila continúa en otra página, verifique su identificador antes de fusionarla; dos descripciones similares pueden pertenecer a registros diferentes.

Antes de exportar a una hoja de cálculo, cuente las filas originales, confirme la unidad para cada columna numérica y compare al menos un total manualmente. Conserve los caracteres inciertos como inciertos en lugar de pedirle al asistente que adivine lo que probablemente significó el escaneo.

Pruebe un prompt de análisis de documentos con una respuesta conocida

Este ejercicio de texto ficticio prueba el razonamiento después de la extracción, no el modelo OCR en sí. No requiere carga de archivos. El resultado correcto tiene A17 = 40 unidades y B22 = 25 unidades, lo que da 65 unidades en total. El encabezado repetido no agrega nada y no se conoce el estado del pago.

Si el asistente dice que las facturas están pagadas, duplica una fila o trata el encabezado como un artículo, el resultado falla. Pídale que cite la página de cada fila antes de usarla en otro documento.

Utilice únicamente este documento extraído ficticio. Página 1: encabezado Factura | Importe; fila A17 | 40 unidades. Página 2: encabezado repetido Factura | Importe; fila B22 | 25 unidades. No se indica ningún estado de pago. Devuelva una tabla con el ID de la factura, el importe, la página de origen y el estado del pago. Sume los dos importes una sola vez. Marque el estado de pago faltante como desconocido. Explique por qué los encabezados repetidos no son filas de datos. No infiera el pago ni invente campos faltantes.

Elegir una herramienta OCR para sus documentos

Pruebe una muestra representativa antes de procesar un archivo: una página limpia, un escaneo de baja calidad, una página de varias columnas y una tabla dividida en páginas. Verifique el idioma y la escritura utilizados en sus propios archivos. El éxito en un idioma o en un ejemplo claro no establece la precisión en todos los documentos.

Antes de subir material confidencial, compruebe dónde se procesa y las condiciones de tratamiento de datos del servicio. Evalúe el flujo con ejemplos ficticios o con la información sensible ocultada. Ejecutar un modelo de pesos abiertos y usar un servicio alojado son opciones distintas, con diferentes requisitos operativos.

Un resultado útil son los datos rastreables que pueda verificar. Mida el tiempo de corrección y las filas faltantes, así como la velocidad de extracción; una producción más rápida no es valiosa si alguien debe reconstruir la tabla después.