Guillem Alsina Gonzàlez
El formato PDF para documentos electrónicos está más que consolidado en nuestro día a día y en la operativa de las empresas, pero supone un problema para muchos modelos de lenguaje de inteligencia artificial que tienen dificultades al tratarlo ya que lo toman directamente como una imagen sin extraer el texto que contienen, o bien no han sido instruídos para tratar con los metadatos que incluyen, y que pueden ser de utilidad a su cometido. Ficheros sin texto y solamente con imágenes (como planos), o bien que incluyen elementos como tablas, dificultan su comprensión y uso por parte de los modelos de lenguaje.
Es por ello que la Asociación PDF, la organización internacional que promueve la adopción y uso de estándares internacionales en el software que trabaja con documentos PDF, así como el uso de este formato de ficheros para documentación electrónica, ha hecho público un FAQ (recopilatorio de preguntas más frecuentes, por su denominación en inglés) que recoge explicaciones y dudas sobre el uso de documentos PDF con sistemas de IA, y las mejores prácticas a la hora de trabajar con PDFs para que los documentos sean accesibles a los modelos de lenguaje.
A diferencia de los formatos basados en texto plano que cualquier desarrollador puede inspeccionar con facilidad, revelar el contenido de un PDF requiere un software específico; elementos visuales comunes, como un texto tachado o subrayado, se representan gráficamente mediante vectores en vez de etiquetas de código directas. Si el documento carece de una estructura interna que defina el significado de sus gráficos, la inteligencia artificial puede generar respuestas incorrectas o alucinaciones.
Esta falta de estandarización en la lectura provoca que distintos sistemas informáticos comprendan un mismo documento de maneras muy dispares, ya que mientras que algunos motores ignoran elementos clave como los metadatos, las capas o las anotaciones, otros simplifican en exceso el contenido, reduciendo todo a texto plano y perdiendo la estructura lógica original.
Un error frecuente en la industria es la aplicación indiscriminada de sistemas de reconocimiento óptico de caracteres a todos los documentos de entrada, ya que la inmensa mayoría de los archivos actuales se generan digitalmente y su texto es completamente extraíble de manera nativa, además de que el uso de técnicas de reconocimiento óptico en archivos nativos digitales resulta un proceso lento y propenso a errores, quedando su utilidad relegada principalmente a documentos escaneados o a archivos que presentan problemas con la codificación de sus caracteres.
Por lo que respecta a las tablas, antes mencionadas, a diferencia de otros lenguajes de marcado, el modelo gráfico base del PDF no define las tablas de forma predeterminada. Cuando una tabla se extiende a lo largo de varias páginas, la máquina debe deducir la repetición de encabezados y gestionar los saltos de página. Para solucionar este contratiempo en el tratamiento de los datos, resulta imprescindible que los documentos incluyan información semántica mediante la variante de PDF etiquetado, la cual define de manera clara el orden lógico de lectura y la estructura de la información contenida.
Una de las cosas que indica el FAQ de la PDF Association es que para garantizar que los motores de análisis extraigan y procesen la información contenida en estos ficheros, los creadores deben generar documentos nativos digitales exportados directamente como PDF etiquetado utilizando versiones modernas del estándar, asegurando así la preservación de la semántica de la aplicación de origen junto con la apariencia visual exacta deseada por el autor.
Otra cosa que explica el FAQ es que la arquitectura interna del formato PDF permite el acceso aleatorio a sus datos, lo que significa que los documentos de gran tamaño no necesitan cargarse íntegramente en la memoria de los ordenadores para ser procesados con éxito. Un software de lectura eficiente puede gestionar grandes volúmenes de documentos de manera ágil, siempre que la solución implementada disponga de soporte técnico para todas las características avanzadas y especificaciones del formato.
Según la PDF Association, la adopción de estas directrices organizativas en la creación de archivos digitales no solo agiliza el rendimiento en su tratamiento automático, sino que fomenta una accesibilidad de la información mucho más transparente y universal para todos los usuarios, incluidos los humanos.
