Como funciona a extração de dados com IA
Primeiro a ferramenta transforma o documento em texto: a camada de texto de um PDF é lida diretamente, e as páginas digitalizadas e os arquivos JPG, PNG e WebP passam por OCR. Depois o texto é entregue a um modelo de linguagem com um esquema JSON que lista os campos, e o modelo é obrigado a responder com JSON que siga esse esquema.
Os valores vêm apenas do documento. Quando um campo não aparece, ele volta como null ou lista vazia em vez de um palpite, e datas e valores são normalizados para que o resultado vá direto para uma planilha ou banco de dados. O modelo roda nos servidores próprios da FileConvertLab; o tratamento dos arquivos enviados está descrito na política de privacidade.
Modelos prontos
Cinco modelos cobrem os documentos mais redigitados à mão. O modelo de fatura devolve fornecedor, cliente, número, datas de emissão e vencimento, moeda, subtotal, impostos, total e cada item. O de currículo devolve contatos, habilidades, experiência e formação; o de contrato, partes, datas, prazo, condições de pagamento, lei aplicável, obrigações e signatários.
O modelo de ficha de produto reúne códigos, dimensões, materiais, parâmetros técnicos e certificações de fichas técnicas, e o de artigo acadêmico devolve título, autores, periódico, DOI, resumo, palavras-chave, métodos e principais resultados. Se tabelas devem continuar tabelas, PDF em Excel é a melhor opção.
Seu próprio esquema
Se nenhum modelo servir, escolha Esquema próprio e descreva os campos em JSON Schema: um objeto com properties, cada uma com um tipo como string, number, boolean, array ou object e uma descrição opcional que diz ao modelo o que procurar. Objetos aninhados e listas de objetos são suportados, até quatro níveis e 60 campos.
Cada lista tem um número máximo de itens e cada campo de texto um tamanho máximo, para que a resposta sempre termine. Use nomes de campo curtos e claros: o modelo vê nomes e descrições, então «delivery_date» com a descrição «YYYY-MM-DD» funciona melhor que «d1». O mesmo esquema pode ser enviado pela API em processos automatizados.
Limites
Todas as páginas são lidas, até o limite de páginas do seu plano. Se um documento muito longo esgotar o tempo de processamento, o resultado cobre as páginas lidas até ali e informa isso. Os arquivos podem ter até 50 MB. Digitalizações passam antes pelo OCR, então uma digitalização limpa e reta dá resultado melhor que uma foto torta.
Modelos de linguagem podem ler errado ou deixar passar valores, sobretudo em digitalizações ruins e diagramações incomuns. Confira os números importantes no documento antes de usá-los. Para tornar uma digitalização pesquisável em vez de extrair campos, use OCR PDF.