Acquisizione documenti
scansione + pdf
- alimenta
- OCR
Tutti i case study
LLMRAGDocument AI4 mesi
Document intelligence (OCR, estrazione, RAG)
Ogni fattura veniva letta e digitata a mano. Ora quattro su cinque passano senza che nessuno le tocchi.
Elaborazione straight-through
81%
Estrazione instradata per confidenza
Prima
0%
Ogni documento inserito a mano
In parole semplici
Di cosa si tratta.
Niente gergo in questa sezione. La descrizione tecnica è più in basso.
Cosa non funzionava
Contratti e fatture arrivavano come scansioni di qualità molto variabile. Il personale li leggeva e digitava i valori, un lavoro lento, facile da sbagliare e che non permetteva di dimostrare da dove venisse un determinato numero.
Cosa abbiamo costruito
Abbiamo costruito un sistema di estrazione che legge i documenti, indica quanto è sicuro di ogni valore e invia a una persona solo quelli dubbi, con ogni valore collegato al punto esatto della pagina da cui proviene.
Cosa è cambiato
Quattro documenti su cinque ora passano senza che nessuno li tocchi, il lavoro manuale è limitato alle vere eccezioni e la chiusura di fine mese non aspetta più le pratiche. Qualsiasi numero si può ricondurre alla sua pagina.
Architettura
Come si incastrano le parti.
Scorra le fasi. Tutto ciò che è contrassegnato come aggiunto è un componente che non esisteva prima di questo progetto.
OCR
attento al layout
- riceve da
- Acquisizione documenti
- alimenta
- Estrazione · Indice RAGchunk
Estrazione
47 campi
- riceve da
- OCR
- alimenta
- Coda di revisioneconf. bassa
Indice RAG
citazioni
- riceve da
- OCRchunk
Coda di revisione
per confidenza
- riceve da
- Estrazioneconf. bassa
- alimenta
- Sync ERP
Sync ERP
validato
- riceve da
- Coda di revisione
Acquisizione documenti
scansione + pdf
- alimenta
- OCR
OCR
attento al layout
- riceve da
- Acquisizione documenti
- alimenta
- Estrazione · Indice RAGchunk
Estrazione
47 campi
L'abbiamo aggiunto noi- riceve da
- OCR
- alimenta
- Coda di revisioneconf. bassa
Indice RAG
citazioni
L'abbiamo aggiunto noi- riceve da
- OCRchunk
Coda di revisione
per confidenza
L'abbiamo aggiunto noi- riceve da
- Estrazioneconf. bassa
- alimenta
- Sync ERP
Sync ERP
validato
- riceve da
- Coda di revisione
La descrizione
Come verrebbe costruito.
Dataset, approccio, metriche obiettivo e stack. Scritto per chi dovrà esaminarlo.
LLMRAGDocument AI4 mesi
Document intelligence (OCR, estrazione, RAG)
Trasformare i PDF in dati strutturati e in conoscenza ricercabile con citazioni.
Problema
Contratti e fatture arrivavano come scansioni di qualità variabile. L'inserimento manuale dei dati era lento e soggetto a errori, e non c'era un audit trail che collegasse un campo alla pagina da cui proveniva.
Dataset
- righe
- 840k pagine
- feature
- 47 campi estratti
- fonti
- Scansioni, PDF, allegati e-mail
- finestra
- 30 mesi
Approccio
- 01OCR con conservazione del layout, così la struttura delle tabelle sopravvive all'estrazione
- 02Estrazione dei campi con confidenza per campo e provenienza a livello di span
- 03Indice RAG sul corpus per ricerche in linguaggio naturale con citazioni
- 04Coda di revisione instradata per confidenza, con le correzioni che ritornano nel modello
Metriche
- 96.8%
- accuratezza dei campi +14.2pp
- 81%
- straight-through senza intervento umano
- $0.07
- costo / doc -$1.90
- 100%
- copertura delle citazioni collegata allo span
Evidenza
- fonte
- Reference design
- numeri
- Illustrativo: valori tipici per questo design
- misurazione
- Non misurato. Valori tipici per un progetto di riferimento di questo tipo, non osservati su un sistema di un cliente.
- referenza
- Non disponibile per questo progetto
- ultima revisione
- 2026-08-25
Impatto sul business
- Inserimento manuale ridotto alla sola gestione delle eccezioni
- Ogni valore estratto riconducibile a una pagina e a un bounding box
- La chiusura di fine mese non aspetta più l'elaborazione dei documenti
Stack tecnologico
- Python
- Tesseract
- DocTR
- LayoutLM
- PostgreSQL
- Qdrant
- FastAPI
- Next.js
Prossimo passo
Le serve un sistema come questo?
Risponda a sei domande e le diremo se questa struttura si adatta al suo problema, anche quando non è così.