En la actualidad, las empresas lidian con el procesamiento de miles de documentos diarios que contienen información crucial para sus operaciones. Desde facturas a contratos, la localización y extracción precisa de información ha sido una tarea compleja. Aunque la tecnología de reconocimiento óptico de caracteres (OCR) puede identificar texto, determinar la ubicación precisa de datos específicos requiere soluciones más avanzadas de visión por computadora.
La evolución de este campo ha sido significativa. Iniciativas como YOLO (You Only Look Once) transformaron la detección de objetos, permitiendo la identificación en tiempo real. RetinaNet y DETR introdujeron mejoras que abordaron problemas de desequilibrio y simplificaron arquitecturas mediante el uso de transformadores. No obstante, estos avances requerían grandes volúmenes de entrenamiento y arquitecturas complejas, limitando su accesibilidad.
Con la llegada de modelos de lenguaje grandes multimodales (LLMs), el escenario ha cambiado. Estos modelos ofrecen una comprensión mejorada al combinar visión avanzada con procesamiento de lenguaje natural. Destacan por eliminar la necesidad de arquitecturas especializadas, permitir localización sin entrenamiento supervisado, y facilitar interacciones mediante lenguaje natural.
Amazon Nova Pro, accesible a través de Amazon Bedrock, ejemplifica el uso de estos modelos para obtener alta precisión en la localización de campos documentales. Simplificando notablemente la implementación, estos modelos permiten interpretar y localizar información con mínimo esfuerzo, reduciendo errores y necesidad de intervención manual.
La localización de información va más allá de la extracción de texto, identificando coordenadas exactas que permiten automatizar chequeos de calidad y manejo de datos sensibles. Tradicionalmente, esto dependía de sistemas rígidos y costosos en términos de datos de entrenamiento. Ahora, los modelos multimodales revolucionan el paradigma al permitir la comprensión del diseño y el significado de documentos a través de lenguaje natural, reduciendo la carga técnica.
El nuevo sistema acepta una imagen de documento y un texto, devolviendo la localización de campos mediante coordenadas absolutas o normalizadas. Dos estrategias de localización ofrecen flexibilidad: una utiliza dimensiones de imagen y otra un sistema de coordenadas escaladas.
El benchmarking utilizando el dataset FATURA, con 10,000 facturas, demuestra que Amazon Nova Pro puede localizar y extraer campos con una configuración mínima, mejorando notablemente los procesos tradicionales. Con un promedio de precisión de 0.8305, representa una opción robusta para el procesamiento empresarial de documentos.
Este avance abre la puerta a nuevas oportunidades para optimizar flujos de trabajo y marca el inicio de una era de soluciones innovadoras en la gestión documental empresarial.
