Glosario de extracción de documentos

Definiciones

Extracción de documentos verificable

Extracción de documentos en la que cada valor devuelto puede rastrearse hasta su origen. En los escaneos y fotos, un campo lleva el texto del que se leyó y, cuando el OCR lo localizó, la página y la posición; en las facturas electrónicas estructuradas, el valor se extrae del archivo de origen. La idea es que un revisor o un sistema posterior pueda comprobar un valor en lugar de confiar en él ciegamente.

Evidencia de origen

La prueba adjunta a un campo extraído de un documento escaneado o fotografiado: el texto coincidente y, cuando el OCR pudo localizar el valor, su página y cuadro delimitador. Permite confirmar de dónde proviene un número sin volver a leer toda la página. Las facturas electrónicas estructuradas se extraen de sus datos y no llevan cuadro delimitador.

Estado de coincidencia

Un indicador por campo que señala cómo se ancló un valor a la fuente. Los valores posibles son exact, fuzzy, llm_located, not_found, not_applicable y user_entered. Un valor que el OCR no puede anclar se devuelve como not_found en lugar de aceptarse silenciosamente.

Cuadro delimitador

El rectángulo en la imagen de la página donde el OCR localizó un valor. DocSolved lo dibuja en el PDF anotado, con un código de color según la escala de confianza. Un cuadro solo existe cuando la evidencia del OCR localizó el valor; los campos de factura electrónica no tienen ninguno por diseño.

Factura electrónica estructurada

Una factura entregada como datos legibles por máquina en lugar de un escaneo: Factur-X, ZUGFeRD y XRechnung (CII), UBL 2.1 y KSeF FA(3). DocSolved extrae los valores directamente del archivo, sin OCR ni conjeturas de IA, así que no hay nada que se pueda leer mal.

KSeF FA(3)

El formato de factura electrónica XML del Sistema Nacional de Facturación Electrónica de Polonia (KSeF). DocSolved lee el propio archivo FA(3) y lo valida de forma determinista; no interviene ninguna conexión a la API de KSeF ni credenciales.

OCR (reconocimiento óptico de caracteres)

La conversión de una imagen de texto (escaneo o foto) en caracteres legibles por máquina y sus posiciones en la página. En DocSolved, el OCR genera los tokens y cuadros que después anclan cada campo extraído a su fuente.

Puntuación de confianza

Una puntuación por campo para los valores que la IA extrajo de un escaneo o foto; los valores de baja confianza se resaltan para su revisión. Los campos de factura electrónica estructurada llevan en su lugar un estado de confianza dedicado, porque nada en ellos se adivinó.

Detección del tipo de documento

La identificación automática de qué es un documento —factura, recibo, orden de compra, albarán, currículum y más— con una puntuación de confianza. El tipo detectado determina qué campos extrae DocSolved.

PDF anotado

Una copia descargable del documento en la que cada valor extraído aparece recuadrado en la página y coloreado según su confianza, de modo que toda la extracción pueda revisarse de un vistazo.