Los archivos PDF son como cajas fuertes digitales que contienen información crucial, pero extraer esos datos ha sido un verdadero dolor de cabeza para expertos en datos y empresas por igual. Aunque estos documentos digitales son fundamentales para almacenar desde investigaciones científicas hasta registros gubernamentales, su formato rígido frecuentemente atrapa los datos, complicando su lectura y análisis por parte de máquinas.
Derek Willis, un docente de Periodismo de Datos en la Universidad de Maryland, señala que parte del problema radica en que los PDFs fueron concebidos en una época donde el diseño de impresión dominaba el software de publicación. Muchos de estos documentos son, en esencia, imágenes de información, lo que significa que se requiere software de Reconocimiento Óptico de Caracteres (OCR) para convertir esas imágenes en datos, especialmente si el original es antiguo o incluye escritura a mano.
Un vistazo a la historia del OCR
La tecnología de reconocimiento óptico de caracteres ha existido desde los años 70 y fue popularizada por Ray Kurzweil, quien desarrolló sistemas comerciales que facilitaban la lectura de textos para personas invidentes. Aunque el OCR tradicional es eficaz con documentos claros y sencillos, suele fallar ante fuentes inusuales, múltiples columnas, tablas o escaneos de baja calidad.
A pesar de sus limitaciones, el OCR tradicional sigue siendo común en muchos flujos de trabajo debido a su confiabilidad. Sin embargo, con el auge de los modelos de lenguaje de gran tamaño (LLMs), las empresas están buscando nuevas formas de abordar la lectura de documentos.
La llegada de los modelos de lenguaje en el OCR
A diferencia de los métodos OCR tradicionales, los LLMs multimodales están diseñados para analizar texto e imágenes, procesando documentos de manera más integral. Por ejemplo, ChatGPT puede leer un archivo PDF subido a su interfaz, abordando tanto el contenido textual como los elementos visuales simultáneamente.
Willis ha observado que los LLMs que sobresalen en estas tareas suelen comportarse de manera más similar a cómo lo haría un ser humano. Aunque algunos sistemas OCR tradicionales, como Amazon Textract, son efectivos, los LLMs ofrecen una ventaja al considerar un contexto más amplio al interpretar patrones inusuales en los documentos.
Nuevas iniciativas en OCR basado en LLM
Con la creciente demanda de soluciones de procesamiento de documentos, nuevas empresas están surgiendo en el mercado. Mistral, una compañía francesa, ha lanzado Mistral OCR, un API especializada en el procesamiento de documentos.
Willis destaca que Google actualmente lidera el campo con su modelo Gemini 2.0, que ha demostrado manejar documentos complicados con un número mínimo de errores, gracias a su capacidad de procesar documentos extensos y su manejo robusto del contenido escrito a mano.
Desafíos del OCR basado en LLM
A pesar de las promesas de los LLMs, presentan nuevos problemas en el procesamiento de documentos. Estos modelos pueden generar confusiones o “alucinaciones”, donde producen información plausible pero incorrecta. Willis advierte que los LLMs a veces omiten líneas en documentos más grandes, un error poco probable en los sistemas OCR tradicionales.
La interpretación incorrecta de tablas, especialmente en documentos financieros o médicos, puede tener consecuencias graves, lo que significa que a menudo se requiere supervisión humana cuidadosa. Las herramientas de OCR basadas en LLMs deben ser utilizadas con precaución, dado que la confianza ciega en su precisión puede llevar a errores costosos.
A pesar de los avances, todavía no existe una solución de OCR perfecta. La carrera por liberar datos de los PDFs continúa, con empresas como Google explorando productos de inteligencia artificial generativa que son conscientes del contexto. A medida que estas tecnologías mejoren, podrían desbloquear un vasto potencial de conocimiento que permanece atrapado en formatos digitales, abriendo nuevas oportunidades para el análisis de datos.
