Estrarre dati da PDF e scansioni: cosa funziona

“Abbiamo migliaia di documenti e qualcuno deve ricopiarne i dati a mano.” È il problema da cui partono molti dei progetti su cui ho lavorato, in settori diversi: fintech, compliance HSE, logistica.

Oggi la tecnologia per risolverlo c’è. Ma tra una demo che estrae bene tre documenti scelti e un sistema che ne gestisce mille al giorno c’è parecchia distanza. Questo articolo raccoglie quello che ho imparato a colmarla.

Non tutti i documenti sono uguali

La prima cosa da fare è dividere i documenti in famiglie, perché richiedono strumenti diversi.

PDF nativi, generati da un software. Il testo è già dentro il file: basta leggerlo. Non serve OCR, e usarlo peggiora solo la qualità.
Scansioni e foto. Il testo è un’immagine. Serve l’OCR, o un modello che legge direttamente le immagini.
Documenti misti, per esempio un PDF nativo con allegate pagine scansionate e firmate. Più comuni di quanto si pensi.

Un buon sistema riconosce la famiglia del documento e sceglie il percorso giusto. Sembra ovvio, ma è il punto in cui molti progetti perdono precisione senza accorgersene.

OCR o modelli AI?

Si parla spesso di OCR “contro” AI. Nella mia esperienza funzionano meglio insieme.

Nel gestionale documentale fintech su cui ho lavorato abbiamo usato TesseractJS per l’OCR direttamente nel browser, e strumenti di AI per interpretare il testo. L’OCR trasforma l’immagine in testo. Il modello capisce cosa significa quel testo: quale numero è l’importo, quale data è la scadenza, chi è il destinatario.

I modelli più recenti sanno leggere anche le immagini direttamente, e in molti casi conviene. Ma più della tecnologia conta capire quale combinazione dà dati affidabili, a un costo sostenibile, sui documenti che avete. La risposta si trova solo provando su un campione reale.

Definire prima cosa estrarre

Un’estrazione funziona bene quando l’obiettivo è preciso. “Estrai i dati importanti” non lo è.

Prima di scrivere codice definisco, per ogni tipo di documento:

l’elenco dei campi, con il loro formato (data, importo, codice fiscale, testo libero);
quali sono obbligatori e quali facoltativi;
le regole di validazione: una partita IVA ha una forma precisa, una data di scadenza non può essere nel passato, un totale deve tornare con le righe.

Queste regole servono due volte: guidano il modello e permettono di controllare in automatico quello che restituisce.

La validazione vale quanto l’estrazione

Un dato estratto va sempre validato prima di finire nel gestionale.

Le regole che mi hanno dato più risultati sono semplici:

controlli formali su ogni campo (formati, intervalli, codici di controllo);
controlli incrociati tra campi dello stesso documento, o con dati già presenti nel sistema;
una soglia di confidenza: sotto quella soglia il documento non passa in automatico, va a una persona.

Il risultato è un flusso a due velocità. I documenti chiari passano subito, quelli dubbi arrivano a chi li deve controllare, già precompilati e con i campi incerti evidenziati.

Far lavorare bene chi controlla

La parte che si progetta meno, e che conta di più, è l’interfaccia di revisione.

Chi controlla deve vedere il documento e i dati estratti uno accanto all’altro. Cliccando su un campo deve trovare il punto del documento da cui viene. Correggere deve costare un clic, non un’altra maschera da compilare.

Nel progetto fintech la visualizzazione e l’annotazione dei PDF avvenivano direttamente nel browser, con le pagine renderizzate al momento per non far aspettare gli operatori su documenti di migliaia di pagine. È lì che si guadagna o si perde il tempo risparmiato dall’automazione.

Misurare sulle correzioni

Il modo più onesto per sapere quanto funziona un sistema di estrazione è contare le correzioni.

Ogni volta che un operatore modifica un campo estratto, il sistema lo registra. Dopo qualche settimana sapete quali campi sbagliano più spesso, su quali tipi di documento, e dove conviene intervenire. Senza questo dato si discute di impressioni.

Ricapitolando

Un’estrazione dati che regge nel lavoro quotidiano ha cinque pezzi:

riconoscere il tipo di documento e scegliere il percorso giusto;
definire con precisione i campi e le loro regole;
combinare OCR e modelli AI in base ai documenti reali;
validare tutto e mandare a una persona solo i casi dubbi;
misurare le correzioni per migliorare.

Sono tutti passaggi semplici, ma servono tutti perché il sistema tolga ore di copia e incolla invece di restare una demo.

Lavori con molti documenti e vuoi capire quanta parte del lavoro si può automatizzare? Prenota una call gratuita di 30 minuti. Prenota la call.