Las empresas de hoy enfrentan el desafío de procesar miles de documentos que contienen información crítica para sus operaciones. La localización precisa de datos específicos, como los presentes en facturas y contratos, es un componente esencial de la gestión documental. Tradicionalmente, el reconocimiento óptico de caracteres (OCR) ha sido la herramienta principal para identificar texto, pero localizar información específica ha requerido enfoques más sofisticados.
La evolución en el campo de la visión por computadora ha sido significativa. Innovaciones como YOLO y RetinaNet han transformado la detección de objetos. Sin embargo, estas tecnologías requieren grandes conjuntos de datos para entrenarse y presentan complejidades que podrían limitar su aplicación en ciertos contextos empresariales.
Recientemente, los modelos de lenguaje grandes multimodales (LLMs) han revolucionado este ámbito. Estos modelos combinan comprensión visual avanzada con capacidades de procesamiento de lenguaje natural, facilitando la localización de información en documentos sin necesidad de arquitecturas especializadas. Con la ayuda de interfaces de lenguaje natural, permiten especificar tareas de manera flexible, adaptándose a una variedad de documentos.
Un ejemplo notable de esta tecnología es Amazon Nova Pro, disponible en Amazon Bedrock. Este modelo se ha destacado por su precisión en la localización de campos documentales, simplificando el procesamiento de documentos y minimizando errores. La localización precisa no solo identifica texto, sino que determina su posición espacial exacta, lo cual es crucial para tareas como el chequeo automático de calidad y el manejo de datos sensibles.
Históricamente, las soluciones dependían de sistemas basados en reglas y visiones especializadas, que requerían mantenimiento continuo y grandes volúmenes de datos de entrenamiento. Los modelos multimodales de Amazon Bedrock, por el contrario, comprenden tanto el diseño visual como el significado semántico de los documentos. Esto permite a las organizaciones implementar soluciones con una carga técnica mínima.
El sistema desarrollado utiliza una imagen de documento y un texto solicitado para devolver las ubicaciones de los campos, con opciones para usar coordenadas absolutas o normalizadas. Dos estrategias, basadas en dimensiones de imagen y coordenadas escaladas, ofrecen flexibilidad en su uso.
En un estudio de benchmarking con el dataset FATURA, que incluye 10,000 facturas, Amazon Nova Pro ha logrado una media de precisión de 0.8305, demostrando su eficacia y consistencia en diferentes tipos de documentos empresariales.
Este avance invita a las empresas a adoptar soluciones innovadoras para optimizar sus flujos de trabajo documentales, abriendo nuevas oportunidades para mejorar la eficiencia y precisión en la gestión de información crítica.
