Ertas para Análisis y Transformación de PDF

The Challenge

Los archivos documentales de las empresas contienen PDF de todo tipo: escaneados, nativos, con diseños mixtos, páginas a varias columnas, tablas y planos técnicos. Los motores de OCR y los analizadores de PDF pueden sacar el texto, pero lo que devuelven es texto en bruto que todavía hay que convertir en los campos, registros o resúmenes que espera el sistema de destino. Los scripts basados en reglas para ese paso se rompen con cada diseño nuevo, y enviar cada página a un gran modelo de frontera sale caro a la escala de un archivo completo. Los proveedores de servicios que manejan documentos de clientes necesitan una forma repetible de hacer esa transformación.

The Solution

Ertas se ocupa del paso posterior a la extracción. Pasa tus PDF por la herramienta de extracción que ya usas y luego entrena en Ertas Studio un modelo que convierte el texto extraído en la salida que necesitas: un objeto JSON con campos definidos, un registro normalizado, una clasificación o un resumen breve. Crea el conjunto de entrenamiento en Data Craft, con el texto extraído como turno USER y la salida estructurada correcta como turno ASSISTANT, o sube en JSONL los pares que ya tengas. Los expertos del dominio revisan y aprueban ahí los ejemplos antes del entrenamiento.

Studio ajusta un modelo abierto en las GPU en la nube de Ertas desde un lienzo visual, y puedes entrenar varias ejecuciones en paralelo para comparar tamaños de modelo con documentos reservados. El modelo terminado se exporta desde Hub como GGUF para llama.cpp u Ollama, o como safetensors completos para vLLM, y se ejecuta en tus propios servidores junto al paso de extracción. Los documentos que procesas tras el despliegue se quedan en esa infraestructura, y el costo por página es tu propio cómputo. Los datos de entrenamiento se suben a Ertas, así que arma el conjunto con páginas que puedas compartir y sin datos personales. Ertas no extrae el texto de los archivos PDF, de modo que un archivo escaneado sigue necesitando una herramienta de OCR o de análisis de PDF antes del modelo.

Key Features

Example Workflow

Una consultora de IA recibe un gran archivo de PDF de construcción (pliegos de licitación, especificaciones y mediciones con presupuesto) de un cliente que necesita volcar las partidas de costos en su sistema de presupuestos. El equipo pasa el archivo por una herramienta de código abierto de extracción de PDF que ya utiliza, que genera texto y tablas en bruto para cada página. Toman unos cientos de páginas representativas y crean ejemplos de entrenamiento en Data Craft: el texto extraído como turno USER y una lista JSON de partidas (descripción, cantidad, unidad y precio unitario) como turno ASSISTANT. Un aparejador del lado del cliente revisa y aprueba los ejemplos. En Ertas Studio entrenan tres ejecuciones en paralelo sobre Qwen 2.5 1.5B, Qwen 2.5 3B y Llama 3.2 3B, evalúan cada una con un conjunto reservado de páginas y exportan como GGUF el modelo más pequeño que alcanza el nivel de precisión que piden los presupuestadores. El modelo funciona con llama.cpp en el servidor propio de la consultora, justo después del paso de extracción. Cuando llega el siguiente cliente de construcción, el equipo reutiliza la misma estructura de dataset y añade ejemplos de los documentos de ese cliente.