Entra papel.
Salen datos.

La precisión de extracción sobre documentos de muestra limpios no significa casi nada. Los documentos reales llegan arrugados, fotografiados en ángulo con mala luz, pasados por un fax en algún momento de su historia y con un formato distinto según el proveedor que los envíe. El pipeline tiene que construirse para esa población y no para la de la demo del fabricante.

Lo que convierte a la puntuación de confianza en la función de verdad. Un pipeline que extrae todo y no dice nada sobre su propia certeza obliga a una persona a revisarlo todo, que es exactamente el proceso manual que se pretendía sustituir. Un pipeline que marca el quince por ciento del que no está seguro y lo envía a una cola de revisión elimina la mayor parte del trabajo y mantiene los errores a la vista.

La validación se ocupa del resto. Las líneas deben sumar el total, un proveedor debería ser uno que reconoces, un precio no debería ser cuarenta veces el del mes pasado. Estas comprobaciones detectan errores de extracción que parecen perfectamente plausibles por separado, y son baratas de implementar frente a la conciliación que evitan.

Kitchen Stocker ejecuta esto sobre facturas y albaranes de proveedor en producción, alimentando un libro de stock e informes de coste, así que la cola de revisión, los umbrales de confianza y las reglas de validación vienen de operar uno y no de diseñarlo.

Qué incluye

• Extracción a un esquema estructurado que tú defines
• Puntuación de confianza por campo y no una sola por documento
• Cola de revisión para los documentos de baja confianza
• Reglas de validación contra totales, proveedores y rangos esperados
• Integración en el sistema que consume los datos

No incluido

• Coste de inferencia de los modelos, facturado a precio de proveedor
• Entrenamiento de modelos fundacionales propios