Ertas para Clasificación de Documentos

The Challenge

Las organizaciones procesan miles de documentos diariamente (contratos, facturas, correspondencia, reportes, solicitudes y presentaciones de cumplimiento), y enrutar cada documento al equipo o flujo de trabajo correcto depende de una clasificación precisa. La clasificación manual es lenta, inconsistente y escala pobremente. Cuando un solo documento mal enrutado puede retrasar una presentación legal o perder una oportunidad de negocio sensible al tiempo, el costo de los errores es significativo.

Los modelos de IA genéricos tienen dificultades con la clasificación de documentos en dominios especializados porque carecen de contexto sobre la taxonomía de documentos específica de una organización. Un modelo general puede distinguir entre una factura y un contrato, pero no puede diferenciar de manera fiable entre un acuerdo marco de servicios y una declaración de trabajo, o entre una presentación regulatoria y un memorando interno de cumplimiento. Estas distinciones de grano fino requieren conocimiento de dominio que solo puede provenir del entrenamiento con el corpus de documentos real de la organización, exactamente el tipo de tarea para la que fue diseñado el fine-tuning.

The Solution

Ertas Studio permite a las organizaciones ajustar modelos de clasificación sobre su propia taxonomía documental con ejemplos reales de sus archivos. El equipo sube muestras etiquetadas en JSONL, donde cada entrada asocia el texto de un documento con su categoría correcta, y entrena un modelo abierto con LoRA desde el lienzo visual de Studio. El modelo aprende el vocabulario, la estructura y los patrones que distinguen un tipo de documento de otro en esa taxonomía. Se pueden lanzar varios entrenamientos en paralelo, de modo que el equipo compara modelos base y configuraciones con un conjunto reservado antes de elegir uno.

El modelo entrenado aparece en Hub y se descarga en GGUF para llama.cpp u Ollama, o en safetensors completos para vLLM. Si lo ejecutas en tus propios servidores, los documentos que clasificas se quedan dentro de tu red. El entrenamiento se hace en las GPU en la nube de Ertas, así que los ejemplos etiquetados se suben a Ertas: elimina o enmascara antes los datos personales y confidenciales, y borra el dataset cuando ya no lo necesites. Cuando cambia la taxonomía (categorías nuevas, divididas o fusionadas), el equipo actualiza los ejemplos, vuelve a entrenar y sustituye el modelo. Los equipos que ya envían documentos a la API de un modelo frontier pueden optar por el endpoint de modelo adaptativo, un servicio con acompañamiento comercial en el que un modelo personalizado, entrenado con sus propias solicitudes, asume una parte creciente del trabajo a medida que supera sus evaluaciones.

Key Features

Example Workflow

Una gran aseguradora recibe más de 10.000 documentos al día por correo electrónico, fax y portal web. Entre ellos hay siniestros nuevos, modificaciones de póliza, historiales médicos, informes de peritos y correspondencia legal, y cada tipo debe llegar a un departamento distinto. El equipo exporta 50.000 ejemplos etiquetados de su archivo, enmascara nombres e identificadores de asegurados y sube el dataset JSONL a Ertas Studio. Ajusta Qwen 2.5 7B y Llama 3.1 8B con LoRA en paralelo sobre su taxonomía de 28 categorías y compara ambos resultados, junto con un modelo genérico, en un conjunto de prueba reservado que los modelos nunca vieron. El mejor modelo se exporta desde Hub y se ejecuta en los servidores de la propia empresa, detrás de su sistema de recepción de documentos, devolviendo una categoría para cada documento entrante. Las categorías de mayor riesgo, y cualquier salida que no coincida con una categoría conocida, pasan a revisión humana, y esos documentos revisados se convierten en ejemplos de entrenamiento para la siguiente ejecución.