Benchmarks de precisión
Qué medimos, cómo lo medimos y qué muestran los resultados, incluido dónde DocSolved rinde peor. Esta página resume las mediciones en lugar de volver a publicar las cifras en bruto.
OCR de DocSolved
La capa de OCR de DocSolved lee documentos de empresa: facturas impresas, recibos, papeles escaneados y fotos de documentos en papel. Las fotos de cámara son el caso difícil: texto tenue en páginas brillantes, distorsión de perspectiva y diacríticos de escrituras locales.
- Páginas impresas limpias: en nuestras pruebas se leyó cada palabra de una factura impresa, de un recibo impreso y de una página de texto denso.
- Fotos de cámara: la configuración de OCR actual lee notablemente más palabras que la anterior, diacríticos polacos incluidos.
- Las fotos de cámara siguen siendo el caso más débil: en la foto que usamos para las pruebas, la capa de OCR no leyó ninguno de los números, como importes y fechas. Un valor tomado de una foto puede quedarse entonces sin ubicación de origen emparejada, así que compruébalo con el documento.
- Enderezar una página fotografiada antes del reconocimiento (preprocesamiento de documentos fotografiados) mejoró aún más las fotos en nuestras pruebas, pero empeoró las páginas que ya eran planas, así que nunca se aplica a páginas PDF.
Los campos de facturas electrónicas estructuradas no pasan por OCR en absoluto; proceden de los datos de origen.
Algoritmos de IA de DocSolved
Más allá del OCR, DocSolved aplica algoritmos de análisis documental que convierten el texto en bruto en campos estructurados y auditables.
- Separación de varias facturas. Cuando un mismo PDF contiene varias facturas seguidas, DocSolved detecta los límites de página a partir de la capa de texto incrustada, antes de cualquier llamada al OCR o al modelo, y los ofrece al usuario para revisión en lugar de aplicarlos silenciosamente. En un conjunto de prueba sintético con límites conocidos encontró todos los límites en texto limpio y falló en algunos al añadir ruido de tipo OCR; por eso sugiere en lugar de separar.
- Extracción de campos. Los valores se devuelven con el alcance que el emparejamiento pudo establecer: un campo extraído puede llevar una puntuación de confianza, el texto de origen emparejado, un estado de coincidencia y una ubicación en la página cuando el valor queda anclado.
- Sugerir y luego confirmar. Los límites de separación y las acciones de seguimiento se ofrecen como sugerencias y solo surten efecto cuando una persona las confirma.
DocSolved en comparación
Las mediciones de esta página comparan DocSolved con sus propias configuraciones anteriores. No hemos publicado ninguna comparación directa con otros productos de OCR o de procesamiento de documentos.
La comparación más fiable es con tus propios documentos: las demos interactivas no requieren cuenta y puedes empezar gratis sin tarjeta. Si quieres ayuda para preparar una prueba comparativa, escribe a [email protected].
Notas metodológicas
El OCR se evalúa según cuántas palabras de un texto conocido lee (recuperación) y cuántas de las palabras que produce son correctas (precisión): frente a una transcripción humana en el caso de una foto de un documento polaco real, y frente al texto de origen en el caso de páginas impresas de ejemplo en inglés. La detección de separaciones se evalúa en un conjunto sintético de PDF con varias facturas y límites conocidos.
Las muestras son pequeñas, un documento por caso de OCR, así que toma los resultados como orientativos y no como una promesa para tus documentos. Ningún tercero los ha revisado. Proceden de artefactos de evaluación internos versionados; esta página los resume en lugar de volver a publicar las cifras en bruto.
Aún no medido: la precisión de extracción a nivel de campo (si el valor correcto llega al campo correcto), el tiempo de procesamiento de principio a fin y la precisión del OCR en idiomas distintos del polaco y el inglés.
Preguntas sobre la metodología o los resultados: [email protected]