Saltar al contenido

IA

Un modelo de 2B quiere tus facturas, no tu trabajo

Dharma Field Extractor, de Hugging Face, saca de cualquier documento los campos que le pidas y te los devuelve en JSON. Su equipo asegura que supera a todos los LLM de frontera que probó, a una fracción del coste.

Foto de portada: Dietmar Rabich / CC BY-SA 4.0

TL;DR

  1. Dharma Field Extractor: 2.000 millones de parámetros, entra cualquier documento, salen los campos pedidos en JSON.
  2. Sus creadores dicen que supera a todos los LLM de frontera que probaron en extracción.
  3. El coste sería una fracción del de las API de frontera, que es la parte que va a leer finanzas.

Qué pasó

Hugging Face ha publicado Dharma Field Extractor, un modelo de 2.000 millones de parámetros (2B) hecho para una sola tarea aburrida: le dices qué campos quieres, le pasas cualquier documento y te devuelve exactamente esos campos en JSON. Sin ensayo, sin comentarios, solo datos estructurados que un sistema posterior pueda tragarse sin rechistar.

El argumento de venta, según el propio equipo, es que supera a todos los LLM de frontera que probaron, a una fracción del coste. Ojo: es una afirmación del fabricante, de los mismos que lo construyeron, así que el benchmark es suyo hasta que alguien más lo reproduzca.

El modelo sigue la estela de DharmaOCR-LITE, lanzado en abril. Aquel estaba especializado en OCR para contratos, escritos judiciales, facturas, documentos de identidad y formularios. Su paper defendía que un modelo pequeño, entrenado muy cerca de su tarea, puede ganar en ella a las API generalistas de frontera.

Por qué importa

OCR y extracción son trabajos distintos. El OCR te da todo lo impreso en la página, línea a línea, fiel al formato original. Genial si estás digitalizando un manuscrito o leyendo un contrato de principio a fin.

Pero la mayoría de los flujos de trabajo empresariales no quieren la página. Quieren el nombre del paciente, el tipo de prueba y la fecha de un volante médico, listos para dar cita. Quieren cada línea de una factura como una lista. Quieren los campos de un documento de identidad mapeados a las columnas de la ficha de un empleado.

Pasa esos documentos por un OCR a secas y obtienes un muro de texto sin pista alguna de cuál de esas cadenas es el tipo de prueba. Alguien, o algo, todavía tiene que ordenarlo.

Un modelo pequeño entrenado para un solo trabajo va a por los grandes generalistas en el terreno de ese trabajo.

Esto es incremental, no una revolución. Los modelos específicos de dominio ya son rutina. Pero la rutina es justo como el software se come el trabajo de oficina: en silencio, barato y formulario a formulario.

Qué hacer con esto

  • Audita tu papeleo.Haz una lista de los documentos que tu equipo reteclea a mano y apunta qué campos importan de verdad.
  • Lee el post del blog.El artículo de Hugging Face explica el método y la comparación con los modelos de frontera.
  • Haz tu propia prueba.Pásale tus documentos reales más feos y compáralo con la API que pagas ahora, en precisión y en precio.
  • Haz la cuenta del coste.Si la extracción es una tarea de mucho volumen, un modelo pequeño especializado frente a una API de frontera es donde empieza la conversación sobre el presupuesto.

Ciao, sapiens. Los robots vienen a por la entrada de datos, pero al menos no se van a quejar de las facturas.