Ertas para Resumen de Texto

The Challenge

Toda organización se ahoga en texto: transcripciones de reuniones, artículos de investigación, escritos legales, retroalimentación de clientes, artículos de noticias y reportes internos. Las herramientas de resumen prometen resolver esta sobrecarga, pero los modelos genéricos producen resúmenes que omiten detalles críticos del dominio. Un resumen genérico de un reporte de ensayo clínico podría capturar el resultado principal pero omitir los datos de eventos adversos que un revisor de seguridad necesita. Un resumen de una moción legal podría parafrasear el argumento pero perder las citas estatutarias específicas en las que un litigante confía.

El problema fundamental es que el resumen requiere juicio sobre qué es importante, y la importancia depende del dominio. Lo que importa en una transcripción de llamada de resultados financieros (guía de ingresos, tendencias de margen, posicionamiento competitivo) es completamente diferente de lo que importa en un resumen de alta del paciente (cambios de medicación, citas de seguimiento, señales de alerta). Los modelos genéricos aplican señales de importancia genéricas, produciendo resúmenes que son gramaticalmente correctos pero omiten la información específica que hace que un resumen sea útil para un experto del dominio.

The Solution

Ertas permite a los equipos ajustar modelos de resumen con ejemplos de resúmenes escritos por expertos de su dominio. Al entrenar con pares de documentos completos y los resúmenes que redactaron sus expertos, el modelo aprende qué conservar para un público concreto, además de cómo condensar el texto. En Ertas Studio, el equipo sube datasets JSONL en los que cada entrada contiene el texto fuente y el resumen objetivo, o los construye en Data Craft, el constructor guiado de datasets de Studio, y ajusta un modelo abierto con LoRA desde un lienzo visual, lanzando varias configuraciones en paralelo para compararlas.

Un modelo pequeño y entrenado puede hacer bien este trabajo. En el benchmark de resumen de reuniones QMSum, un modelo de 1.2B entrenado con Ertas obtuvo 35,41 de ROUGE-1 en el conjunto de prueba, frente a 32,43 del mejor de cinco modelos frontier alojados, usados sin ejemplos (zero-shot). El método completo y sus límites están en nuestra página de investigación. El modelo entrenado se exporta desde Hub en GGUF o safetensors y se ejecuta en tus propios servidores con Ollama, llama.cpp o vLLM, donde puede resumir documentos bajo demanda, procesar lotes durante la noche o impulsar una función de resumen dentro de una aplicación, y los documentos que lee se quedan en tu red. El entrenamiento se hace en las GPU en la nube de Ertas, así que los pares de documento y resumen se suben a Ertas: elimina antes los datos confidenciales siempre que puedas. Cuando cambian las prioridades o aparecen nuevos tipos de documento, el equipo añade ejemplos actualizados y vuelve a entrenar.

Key Features

Example Workflow

Una consultora de gestión procesa más de 200 entregables de clientes cada semana (análisis sectoriales, evaluaciones competitivas y recomendaciones estratégicas), de entre 30 y 80 páginas cada uno. Los socios necesitan resúmenes ejecutivos de una página que destaquen las ideas estratégicas, los datos de tamaño de mercado y las acciones recomendadas. El equipo de gestión del conocimiento reúne 5.000 pares de documento y resumen de entregables anteriores, elimina los nombres de clientes y los sube a Ertas Studio. Ajustan un modelo que redacta resúmenes ejecutivos con la estructura que prefieren los socios: Contexto Estratégico, Hallazgos Clave y Acciones Recomendadas. Antes del despliegue, los socios comparan sus borradores con resúmenes escritos por personas sobre un conjunto de entregables que el modelo nunca vio. El modelo se exporta desde Hub y se ejecuta en los servidores de la propia consultora, conectado a su sistema de gestión documental. Cuando un consultor sube un entregable final, el sistema genera un borrador de resumen ejecutivo para que un socio lo revise y edite.