Vai al contenuto
Ultimo aggiornamento il
Blog tecnico

Enterprise search, ricerca full-text e IA in azienda

Enterprise Search

Ricerca documentale con l'IA: verificare le tabelle PDF in un sistema RAG senza che il voto complessivo nasconda gli errori

Un sistema RAG con un ottimo voto complessivo può comunque attribuire in modo sbagliato l'importo decisivo. Soprattutto nelle tabelle PDF su più pagine, intestazioni, colonne e indicazioni di pagina si perdono per strada. Questo articolo mostra dove succede e come verificare separatamente i campi critici.

di Sebastian @searchit · · 9 min di lettura

Condividi
Due pagine stampate con una tabella a cavallo dell'interruzione di pagina; fili di luce blu collegano la riga di intestazione a pagina 1 con le righe a pagina 2, una lente d'ingrandimento è appoggiata su una cellaGenerato con IA

La Retrieval-Augmented Generation, in breve RAG, è il procedimento alla base della maggior parte degli assistenti IA per il sapere aziendale: un sistema di ricerca recupera i passaggi pertinenti dai Suoi documenti, un modello linguistico ne formula la risposta. Funziona bene finché il sapere sta in un testo continuo. Nelle fatture, negli elenchi delle prestazioni, nei listini prezzi e nei rapporti di prova, però, spesso è racchiuso in tabelle – e queste si estendono su più pagine.

Basta allora un piccolo errore nella lettura del PDF: a pagina 2 manca la riga di intestazione, una colonna slitta, un subtotale viene letto come voce. La risposta suona comunque plausibile. E a quel punto ci si ritrova con un bel pasticcio, perché un voto complessivo come “95 per cento dei contenuti riconosciuti correttamente” dice poco sull'importo decisivo, se lo pesa esattamente come una parola di riempimento riconosciuta male.

Una premessa: siamo il produttore di searchit. Un metodo di verifica completo e generalmente riconosciuto per le tabelle nei sistemi RAG non l'abbiamo trovato. Il procedimento che segue è quindi una nostra bozza. Il mio consiglio: lo verifichi sui Suoi documenti – con qualsiasi fornitore.

In breve

  • Fissare prima i campi critici: importo con valuta e unità, attribuzione a voce e colonna, pagina di origine.
  • Contare separatamente gli errori sui campi critici – mai nella media con tutti gli altri caratteri.
  • Verificare singolarmente tre fasi: lettura del PDF, individuazione del passaggio giusto, risposta con indicazione della fonte.
  • Distinguere “mancante”, “errato” e “inventato”. Un valore inventato è peggio di uno mancante.
  • Riverificare dopo ogni cambio: un altro lettore di PDF, un altro modello linguistico, un'altra suddivisione in passaggi.

Quando cerca nei documenti con l'IA: dove si perdono i riferimenti delle tabelle

Un PDF memorizza caratteri in posizioni su una pagina; la struttura della tabella non si ricava senz'altro da lì. Chi ne ricompone righe e colonne deve dedurne l'attribuzione. Di solito riesce bene, ma non sempre. Punti di rottura tipici nella ricerca documentale nei PDF:

Punto di rotturaChe cosa succedeCome appare nella risposta
interruzione di paginala riga di intestazione è solo sulla prima paginai valori di pagina 2 non hanno più nomi di colonna – “netto” e “lordo” vengono confusi
layout a più colonnele colonne vengono lette affiancate invece che una sotto l'altradue voci si fondono in una
celle uniteuna riga di gruppo vale per più righe sottostantiil gruppo resta attaccato solo alla prima riga
totali e subtotalisembrano vociun subtotale viene indicato come prezzo di una singola voce
unità nell'intestazione o in nota“tutti gli importi in migliaia di euro” sta fuori dalla tabellal'importo è sbagliato di un fattore mille
formato numericovirgola e punto separano, a seconda della lingua, le migliaia o i decimalicon un formato presunto errato, 1.234,56 euro diventano un importo di circa un euro
scansionila pagina è un'immagine, non testosenza riconoscimento del testo la tabella manca del tutto
suddivisione in passaggiil sistema RAG taglia i documenti lunghi in pezzi – anche nel mezzo di una tabellail passaggio trovato contiene valori, ma non la riga a cui appartengono

Fissare i campi critici

Non tutti i caratteri sono ugualmente importanti. Stabilisca per ogni tipo di documento in quali campi un errore rende inutilizzabile la risposta. Per fatture ed elenchi delle prestazioni di solito sono:

  • Importo – con valuta e unità,
  • Attribuzione – a quale voce e a quale colonna appartiene l'importo,
  • Pagina di origine – dove si trova il valore nell'originale,
  • Data o scadenza, se presente,
  • Numero di voce o di articolo.

Tutto il resto – formattazione, testo continuo, piè di pagina – lo verifica anch'esso, ma separatamente.

Tre fasi, tre conteggi

Un importo sbagliato nella risposta può essere nato in tre punti. Chi verifica solo la risposta finita non sa dove si trova l'errore. Conti quindi gli errori per ogni fase:

  1. Lettura: dopo la conversione del PDF il valore compare correttamente nel testo – nella riga giusta, sotto la colonna giusta?
  2. Individuazione: la ricerca restituisce, per una domanda, il passaggio che contiene il valore e la sua riga con il riferimento di colonna?
  3. Risposta: la risposta indica il valore giusto con l'unità e la fonte giuste?

Annoti inoltre di che tipo di errore si tratta:

TipoSignificatoPeso
mancanteil valore è nel PDF, ma non arrivafastidioso – di solito si nota
erratoun valore arriva, ma con attribuzione, unità o pagina sbagliatepericoloso – sembra giusto
inventatoil valore non compare così da nessuna parte nel documentoil più pericoloso – non verificabile nell'originale

Il procedimento di verifica

  1. Raccolta di test con PDF reali. Prenda documenti che da Lei ricorrono davvero. Scelga di proposito anche i casi difficili: tabelle su più pagine, scansioni, note a piè di pagina con unità, righe di totale.
  2. Rilevare prima i valori attesi. Faccia annotare a qualcuno che conosce il documento i campi critici in una piccola tabella – prima che il sistema venga eseguito.
  3. Verificare ogni fase singolarmente. Prima il testo convertito, poi i passaggi trovati, poi le risposte.
  4. Esporre separatamente gli errori sui campi critici. Una riga propria nel rapporto, una soglia propria. Il voto complessivo sta sotto, non sopra.
  5. Ripetere a ogni cambio. Un altro lettore di PDF, un nuovo modello linguistico, una suddivisione in passaggi modificata: stessa raccolta, stessi valori attesi.

Ecco come potrebbe apparire la tabella dei valori attesi per un documento:

DocumentoPaginaVoceColonnaValore attesoLetturaIndividuazioneRisposta
Elenco prestazioni A304.120Prezzo totale netto(importo, valuta)
Elenco prestazioni A404.130Prezzo unitario(importo, valuta)
…

Che cosa aiuta nella costruzione di un sistema RAG

Per la RAG per le aziende propongo le seguenti regole di costruzione come parte della nostra bozza – indipendentemente dal software impiegato:

  • Portarsi dietro l'intestazione: ogni passaggio tratto da una tabella dovrebbe contenerne i nomi di colonna, anche nelle pagine successive.
  • Non tagliare a metà riga: allineare i confini dei passaggi alle righe della tabella, non a un numero fisso di caratteri.
  • Memorizzare la pagina: per ogni passaggio salvare il numero di pagina nell'originale, così che la risposta possa indicarlo.
  • Riportare le unità: agganciare ai valori indicazioni come “in migliaia di euro” presenti nell'intestazione o in nota.
  • Trattare i numeri con valuta come un unico valore, non come due parole.
  • Riconoscere le scansioni e leggerle con il riconoscimento del testo prima che entrino nella ricerca.
  • Rispondere sempre con indicazione della fonte, così che una persona possa verificare il valore nell'originale.

Come searchit aiuta nella verifica

searchit è una ricerca aziendale con IA e funge da memoria per gli agenti IA. Nella verifica di archivi PDF aiutano soprattutto queste funzioni:

  • Riconoscimento del testo per le scansioni: documenti scansionati e immagini diventano leggibili e ricercabili tramite riconoscimento del testo.
  • Vedere il testo del documento: l'anteprima mostra il testo di un risultato in forma leggibile. Così vede che cosa è diventata una tabella come testo – la prima fase della verifica.
  • Il passaggio che ha prodotto il risultato: per un risultato della ricerca semantica, l'elenco dei risultati mostra il passaggio di testo che lo ha generato. Così verifica la seconda fase: il riferimento di colonna è contenuto nel passaggio?
  • Importi riconosciuti per documento: una scheda apposita nell'anteprima mostra le persone, le organizzazioni, i luoghi e gli importi che searchit ha riconosciuto nel documento. Così confronta i valori riconosciuti direttamente con la Sua tabella dei valori attesi.
  • Filtrare per importi: tramite gli importi riconosciuti si può filtrare nella ricerca per intervalli – ad esempio “fatture tra 50 000 e 100 000 euro”. Importo e valuta vengono verificati come un unico valore. Confronti i risultati con l'elenco dei documenti attesi.
  • Provenienza di ogni campo IA: ogni campo che un modello linguistico genera durante l'indicizzazione riporta modello, versione del modello, momento e identificativo del prompt. Dopo un cambio di modello vede quale esecuzione ha fornito quale risultato.
  • Permessi dei sistemi di origine: ogni utente trova solo i documenti che può vedere nel sistema di origine, e un agente IA collegato solo quelli del suo utente – anche per fatture e contratti.

Che cosa offre searchit come ricerca aziendale lo mostra la pagina Enterprise Search su searchit-agent.ai.

Domande frequenti

Che cos'è la RAG?

Retrieval-Augmented Generation: un sistema di ricerca recupera i passaggi pertinenti dai Suoi documenti, un modello linguistico ne formula la risposta. La qualità della risposta dipende quindi anzitutto da quanto bene i documenti vengono letti e trovati.

Le tabelle dei PDF si possono estrarre in modo affidabile?

Dipende dal documento. I PDF generati digitalmente con tabelle semplici di solito si estraggono bene; tabelle su più pagine, celle unite e scansioni sono più difficili. Per questo sono proprio questi i casi da inserire nella raccolta di test.

Perché un voto complessivo non basta?

Se pesa tutti gli errori allo stesso modo, un importo attribuito in modo errato pesa appena in un voto calcolato su migliaia di caratteri. Per la risposta all'ufficio acquisti, però, può essere decisivo.

Che cosa è peggio: un valore mancante o uno errato?

Un valore errato, e ancora più grave è uno inventato. Un valore mancante di solito si nota, uno errato può sembrare giusto. Per questo il procedimento di verifica conta separatamente i tre tipi.

Con quale frequenza dovrei ripetere la verifica?

A ogni modifica che influisce su lettura, individuazione o risposta: un altro lettore di PDF, un altro modello linguistico, un'altra suddivisione in passaggi – e quando si aggiungono nuovi tipi di documento.

Conclusione

In un sistema RAG per le aziende, nelle tabelle un singolo importo può essere decisivo. Per questo partirei dai campi critici: li stabilisca, verifichi separatamente lettura, individuazione e risposta ed esponga a parte i valori errati e quelli inventati. Così l'errore decisivo resta visibile accanto al voto complessivo.

Come searchit legge i Suoi PDF e quale passaggio mostra come risultato, glielo mostriamo volentieri con i Suoi documenti – in una dimostrazione.

Articoli correlati: Collaudo degli agenti IA in azienda · Migliori software di ricerca aziendale 2026

Potrebbe interessarvi anche