Come funziona l'estrazione di dati con l'IA
Per prima cosa lo strumento trasforma il documento in testo: il livello di testo di un PDF viene letto direttamente, mentre le pagine scansionate e i file JPG, PNG e WebP passano per l'OCR. Poi il testo viene dato a un modello linguistico insieme a uno schema JSON che elenca i campi, e il modello è vincolato a rispondere con un JSON conforme a quello schema.
I valori provengono solo dal documento. Se un campo non c'è, torna come null o come lista vuota invece che come ipotesi, e date e importi vengono normalizzati perché il risultato vada subito in un foglio di calcolo o in un database. Il modello gira sui server di FileConvertLab; come vengono trattati i file caricati è descritto nell'informativa sulla privacy.
Modelli pronti
Cinque modelli coprono i documenti che più spesso si ricopiano a mano. Il modello fattura restituisce fornitore, cliente, numero, date di emissione e scadenza, valuta, imponibile, imposte, totale e ogni riga. Il modello curriculum restituisce contatti, competenze, esperienze e formazione; il modello contratto parti, date, durata, condizioni di pagamento, legge applicabile, obblighi e firmatari.
Il modello scheda prodotto raccoglie codici, dimensioni, materiali, parametri tecnici e certificazioni dalle schede tecniche, e il modello articolo scientifico restituisce titolo, autori, rivista, DOI, abstract, parole chiave, metodi e risultati principali. Se le tabelle devono restare tabelle, PDF in Excel è lo strumento migliore.
Il tuo schema
Se nessun modello va bene, scegli Schema personalizzato e descrivi i campi in JSON Schema: un oggetto con properties, ognuna con un tipo come string, number, boolean, array o object e una descrizione facoltativa che dice al modello cosa cercare. Sono supportati oggetti annidati e liste di oggetti, fino a quattro livelli e 60 campi.
Ogni lista ha un numero massimo di elementi e ogni campo di testo una lunghezza massima, così la risposta termina sempre. Usa nomi di campo brevi e chiari: il modello vede nomi e descrizioni, quindi «delivery_date» con la descrizione «YYYY-MM-DD» funziona meglio di «d1». Lo stesso schema può essere inviato tramite l'API in processi automatici.
Limiti
Vengono lette tutte le pagine, entro il limite di pagine del tuo piano. Se un documento molto lungo esaurisce il tempo di elaborazione, il risultato copre le pagine lette fino a quel punto e lo segnala. I file possono pesare fino a 50 MB. Le scansioni passano prima per l'OCR, quindi una scansione pulita e dritta dà risultati migliori di una foto storta.
I modelli linguistici possono leggere male o saltare valori, soprattutto su scansioni di bassa qualità e impaginazioni insolite. Controlla le cifre importanti sul documento prima di usarle. Per rendere ricercabile una scansione invece di estrarne i campi, usa OCR PDF.