Investigadores en procesamiento de documentos han desarrollado una técnica de parsing adaptativo para PDFs que combina parsers rápidos y lentos, aplicando el más costoso solo cuando la página lo requiere. Esto permite ahorrar recursos y mejorar la precisión al extraer información de documentos extensos.
Por qué importa: Esta innovación reduce costos y tiempos en sistemas de inteligencia documental, evitando el uso innecesario de parsers pesados en páginas simples.
Lo esencial
- El parser rápido analiza páginas con texto plano en milisegundos y bajo costo.
- El parser pesado se activa solo en páginas con tablas, figuras o formatos complejos.
- Un sistema de señales y chequeos decide cuándo escalar al parser más costoso.
Limitaciones de parsers únicos en documentos complejos
Los parsers rápidos son eficientes pero no detectan tablas ni figuras complejas, lo que puede llevar a respuestas incorrectas. Por otro lado, usar un parser pesado en todas las páginas de un documento largo es ineficiente y costoso, ya que la mayoría de las páginas contienen solo texto simple.
Arquitectura de parsing adaptativo
El sistema inicia con un parser ligero que procesa cada página y genera señales basadas en metadatos como conteo de caracteres, imágenes y detección de tablas planas. Estas señales determinan si la página requiere un análisis más profundo con un parser pesado, como un modelo de lenguaje visual (Vision LLM).
