Extracción de texto (OCR) y confianza

Un OCR no devuelve solo texto: devuelve, por palabra o por campo, una cifra entre 0 y 1 que indica cuánto se parece lo que vio a lo que entregó. Una confianza baja no dice que el valor esté mal; dice que no conviene fiarse de él sin mirarlo. Los errores típicos son de forma: un 1 y una I, un 0 y una O, un 5 y una S, un 7 y un 1 escritos a mano.

Lo que más importa es dónde se aplica el umbral. Un promedio por documento mezcla campos que no valen lo mismo: cuatro campos nítidos pueden tapar un importe ilegible. El umbral útil se aplica por campo, y con más exigencia en los campos que mueven dinero o identifican al asegurado.

Un importe leído con poca confianza es justo el campo que una persona debería ver antes de que algo se pague. Para saber si la regla de Pilpilén lo consiguió hay que cruzar dos tablas: la confianza de cada campo y si el documento fue a revisión.

Para dimensionar un fallo de extracción no basta con decir que se leyó mal: hay que comparar lo leído con lo que dice el original. La auditoría posterior de Pilpilén hizo justo eso sobre una muestra del lote, y una de sus notas dice qué pasó con el valor leído.

Calcula la diferencia, en pesos, entre el importe leído y el del original en el documento de la tarea anterior.

La lista de campos críticos de una regla de extracción tiene que coincidir con la de la política. Si un campo falta en la configuración, nadie lo resalta ni lo revisa, aunque la política diga que importa. En el lote hay un ejemplo de lo que eso cuesta: una letra donde iba un dígito, en un identificador que sirve para encontrar al asegurado.

Compara la lista de campos críticos de la regla con la que define la política.

Un OCR mejor reduce los errores, pero no los elimina. Subir el umbral del promedio manda más documentos a revisión sin apuntar al campo que importa, y el costo de la revisión crece sin que mejore lo que se protege. Pedir al modelo que juzgue si un importe parece razonable le entrega una decisión de control a la parte que no es determinista. Lo que sirve es aplicar el umbral donde está el riesgo y contrastar los identificadores con sistemas propios: una placa y una póliza tienen que existir y coincidir con el asegurado.