Ertas para Extracción de Datos

The Challenge

Toda organización se ahoga en documentos no estructurados. Las facturas llegan en docenas de formatos específicos de cada proveedor. Las presentaciones regulatorias siguen plantillas que cambian con cada ciclo de reporte. Reclamaciones de seguros, formularios de ingreso médico, manifiestos de envío y contratos legales: todos contienen información estructurada crítica atrapada dentro de PDFs, imágenes escaneadas y campos de texto libre. Los sistemas tradicionales de OCR y extracción basada en reglas son frágiles: se rompen cada vez que un proveedor cambia el diseño de su factura o un formulario agrega un nuevo campo. Mantener cientos de plantillas de extracción es un trabajo de tiempo completo que nunca termina.

Los modelos de IA genéricos pueden manejar tareas de extracción simples de manera predeterminada, pero tienen dificultades con formatos específicos de dominio. Confunden 'fecha de factura' con 'fecha de vencimiento' en diseños no estándar, analizan mal campos de dirección multilínea y no logran extraer estructuras de tablas anidadas comunes en documentos financieros y regulatorios. La precisión en casos límite (el 20% de documentos que genera el 80% de la carga de corrección manual) se mantiene obstinadamente baja sin entrenamiento específico de dominio. Y para organizaciones que manejan documentos sensibles como registros médicos, declaraciones de impuestos o contratos legales, enviar estos documentos a una API de terceros para extracción crea riesgos inaceptables de exposición de datos.

The Solution

Ertas Studio permite a los equipos de ingeniería de datos crear modelos de extracción entrenados con sus formatos de documento reales. El equipo sube ejemplos anotados como dataset JSONL, o importa uno desde Hugging Face: facturas con sus campos etiquetados, formularios con los pares clave-valor que contienen, informes con la salida estructurada que el equipo necesita. Studio ajusta un modelo abierto con LoRA sobre esos ejemplos a través de un lienzo visual, en las GPU en la nube de Ertas, y puede lanzar varios entrenamientos en paralelo para comparar modelos base y configuraciones lado a lado. Cuando aparece un formato nuevo, el equipo añade ejemplos y vuelve a entrenar, en lugar de escribir otra regla de plantilla.

El modelo entrenado aparece en Hub, desde donde el equipo lo descarga en GGUF para llama.cpp u Ollama, o en safetensors completos para vLLM y otros runtimes de servidor. A partir de ahí se ejecuta en los servidores de la empresa y se integra en el pipeline de documentos existente: entra texto, sale JSON estructurado, y los documentos procesados se quedan dentro de la red de la empresa. Los ejemplos de entrenamiento se suben a Ertas para el entrenamiento, así que los equipos que trabajan con documentos sensibles deberían eliminar o enmascarar antes los datos personales y confidenciales. Los datasets se guardan para poder repetir los entrenamientos, y el equipo puede borrarlos.

Key Features

Example Workflow

Una empresa de logística procesa 15.000 facturas al mes de 300 proveedores distintos, cada uno con un formato ligeramente diferente. El equipo de operaciones financieras anota 5.000 facturas representativas, marcando proveedor, número de factura, partidas, cantidades, precios unitarios, impuestos y condiciones de pago, y enmascara los datos de contacto personales antes de subir el dataset JSONL a Ertas Studio. El equipo entrena Mistral 7B y Qwen 2.5 7B en paralelo, compara ambos resultados con un conjunto reservado de facturas que los modelos nunca vieron y se queda con el mejor. Lo exporta desde Hub en GGUF y lo ejecuta en un servidor dentro de su propia red, conectado al flujo de cuentas por pagar. Cada factura entrante pasa por el modelo, que devuelve JSON estructurado. El equipo define sus propias reglas sobre qué extracciones pasan directamente al ERP y cuáles van a una persona para revisión, con la salida del modelo ya rellenada. Los casos difíciles corregidos se revisan en Data Craft y se añaden al conjunto de entrenamiento para la siguiente ejecución.