Saltar para o conteúdo
Última atualização:
Blog técnico

Pesquisa empresarial, pesquisa de texto integral e IA na empresa

Enterprise Search

Pesquisa de documentos com IA: verificar tabelas PDF num sistema RAG sem que a nota global esconda erros

Um sistema RAG com uma nota global muito boa pode, ainda assim, atribuir mal o montante decisivo. Sobretudo em tabelas PDF com várias páginas, as linhas de cabeçalho, as colunas e as indicações de página perdem-se pelo caminho. Este artigo mostra onde isso acontece e como verificar separadamente os campos críticos.

por Sebastian @searchit · · 9 min de leitura

Partilhar
Duas páginas impressas com uma tabela que atravessa a quebra de página; fios de luz azuis ligam a linha de cabeçalho da página 1 às linhas da página 2, uma lupa pousa sobre uma célulaGerado por IA

Retrieval-Augmented Generation, abreviado RAG, é o procedimento por trás da maioria dos assistentes de inteligência artificial (IA) para o conhecimento da empresa: um sistema de pesquisa vai buscar secções adequadas aos seus documentos e um modelo de linguagem formula a resposta a partir delas. Funciona bem enquanto o conhecimento estiver em texto corrido. Em faturas, cadernos de encargos, tabelas de preços e relatórios de inspeção, porém, ele está muitas vezes em tabelas – e estas estendem-se por várias páginas.

Basta então um pequeno erro na leitura do PDF: na página 2 falta a linha de cabeçalho, uma coluna desliza, um subtotal é lido como posição. A resposta continua a soar plausível. E aí temos uma bela confusão, porque uma nota global como «95 por cento do conteúdo reconhecido corretamente» diz pouco sobre o montante decisivo, se o pondera tal como uma palavra de enchimento mal reconhecida.

Uma nota prévia: somos o fabricante do searchit. Não encontrámos um método de verificação completo e geralmente reconhecido para tabelas em sistemas RAG. O procedimento seguinte é, por isso, um esboço nosso. O meu conselho: verifique-o com os seus próprios documentos – em qualquer fornecedor.

Em resumo

  • Definir primeiro os campos críticos: montante com moeda e unidade, atribuição à posição e à coluna, página de origem.
  • Contar separadamente os erros em campos críticos – nunca na média com todos os outros caracteres.
  • Verificar três fases uma a uma: leitura do PDF, localização da secção certa, resposta com indicação da fonte.
  • Distinguir «em falta», «errado» e «inventado». Um valor inventado é pior do que um valor em falta.
  • Voltar a verificar após cada mudança: outro leitor de PDF, outro modelo de linguagem, outra divisão em secções.

Quando pesquisa documentos com IA: onde se perdem as referências das tabelas

Um PDF guarda caracteres em posições numa página; a estrutura da tabela não se deduz daí sem mais. Quem volta a montar linhas e colunas a partir disso tem de inferir a sua correspondência. Normalmente corre bem, mas nem sempre. Pontos de rutura típicos na pesquisa de documentos em PDF:

Ponto de ruturaO que aconteceComo aparece na resposta
quebra de páginaa linha de cabeçalho só está na primeira páginaos valores da página 2 já não têm nomes de coluna – «líquido» e «bruto» são trocados
layout em várias colunasas colunas são lidas lado a lado em vez de uma por baixo da outraduas posições fundem-se numa só
células unidasuma linha de grupo vale para várias linhas abaixo delao grupo fica associado apenas à primeira linha
totais e subtotaisparecem posiçõesum subtotal é indicado como preço unitário
unidade no cabeçalho ou na nota de rodapé«todos os montantes em milhares de euros» está fora da tabelao montante está errado por um fator de mil
formato numéricovírgula e ponto separam, consoante a língua, os milhares ou as casas decimaiscom um formato mal presumido, 1.234,56 euros passam a um montante de cerca de um euro
digitalizaçõesa página é uma imagem, não textosem reconhecimento de texto, a tabela falta por completo
divisão em secçõeso sistema RAG corta documentos longos em pedaços – também a meio de uma tabelaa secção encontrada contém valores, mas não a linha a que pertencem

Definir os campos críticos

Nem todos os caracteres são igualmente importantes. Defina, para cada tipo de documento, em que campos um erro torna a resposta inutilizável. Para faturas e cadernos de encargos, são normalmente:

  • montante – com moeda e unidade,
  • atribuição – a que posição e a que coluna pertence o montante,
  • página de origem – onde está o valor no original,
  • data ou prazo, se existir,
  • número de posição ou de artigo.

Tudo o resto – formatação, texto corrido, rodapés – verifica também, mas separadamente.

Três fases, três contagens

Um montante errado na resposta pode ter surgido em três pontos. Quem verifica apenas a resposta final não sabe onde está o erro. Conte, por isso, os erros por fase:

  1. Leitura: depois da conversão do PDF, o valor está correto no texto – na linha certa, sob a coluna certa?
  2. Localização: a pesquisa devolve, para uma pergunta, a secção que contém o valor e a sua linha, incluindo a referência à coluna?
  3. Resposta: a resposta indica o valor certo, com a unidade e a fonte certas?

Registe também de que tipo de erro se trata:

TipoSignificadoPeso
em faltao valor está no PDF, mas não chegaincómodo – normalmente nota-se
erradochega um valor, mas com atribuição, unidade ou página erradaperigoso – parece certo
inventadoo valor não está assim em parte nenhuma do documentoo mais perigoso – não é verificável no original

O procedimento de verificação

  1. Pasta de testes com PDF reais. Use documentos que existem de facto na sua organização. Escolha deliberadamente também os casos difíceis: tabelas com várias páginas, digitalizações, notas de rodapé com unidades, linhas de totais.
  2. Registar previamente os valores esperados. Peça a alguém que conheça o documento que registe os campos críticos numa pequena tabela – antes de o sistema correr.
  3. Verificar cada fase separadamente. Primeiro o texto convertido, depois as secções encontradas, depois as respostas.
  4. Apresentar separadamente os erros em campos críticos. Uma linha própria no relatório, um limiar próprio. A nota global fica por baixo, não por cima.
  5. Repetir a cada mudança. Outro leitor de PDF, novo modelo de linguagem, divisão em secções alterada: a mesma pasta, os mesmos valores esperados.

Assim poderia ser a tabela de valores esperados para um documento:

DocumentoPáginaPosiçãoColunaValor esperadoLeituraLocalizaçãoResposta
Caderno de encargos A304.120Preço total líquido(montante, moeda)
Caderno de encargos A404.130Preço unitário(montante, moeda)
…

O que ajuda na construção de um sistema RAG

Para RAG para empresas, proponho as seguintes regras de construção como parte do nosso esboço – independentemente do software utilizado:

  • Levar a linha de cabeçalho consigo: cada secção de uma tabela deve conter os nomes das colunas, também nas páginas seguintes.
  • Não cortar a meio da linha: alinhar os limites das secções pelas linhas da tabela, não por um número fixo de caracteres.
  • Memorizar a página: guardar para cada secção o número da página no original, para que a resposta o possa indicar.
  • Herdar as unidades: associar aos valores indicações como «em milhares de euros» que estejam no cabeçalho ou na nota de rodapé.
  • Tratar números com moeda como um só valor, não como duas palavras.
  • Reconhecer digitalizações e lê-las com reconhecimento de texto antes de entrarem na pesquisa.
  • Responder sempre com indicação da fonte, para que uma pessoa possa verificar o valor no original.

Como o searchit ajuda na verificação

O searchit é uma pesquisa empresarial com IA e serve de memória aos agentes de IA. Na verificação de acervos de PDF, ajudam sobretudo estas funções:

  • Reconhecimento de texto para digitalizações: documentos digitalizados e imagens tornam-se legíveis e pesquisáveis através do reconhecimento de texto.
  • Ver o texto do documento: a pré-visualização mostra o texto de um resultado de forma legível. Assim vê no que uma tabela se transformou como texto – a primeira fase da verificação.
  • A secção que deu o resultado: num resultado da pesquisa semântica, a lista de resultados mostra a secção de texto que o desencadeou. Assim verifica a segunda fase: a referência à coluna está na secção?
  • Montantes reconhecidos por documento: um separador próprio na pré-visualização mostra as pessoas, organizações, locais e montantes que o searchit reconheceu no documento. Assim compara os valores reconhecidos diretamente com a sua tabela de valores esperados.
  • Filtrar por montantes: através dos montantes reconhecidos, é possível filtrar por intervalos na pesquisa – por exemplo «faturas entre 50 000 e 100 000 euros». Montante e moeda são verificados como um só valor. Compare os resultados com a lista dos documentos esperados.
  • Origem de cada campo de IA: cada campo que um modelo de linguagem gera durante a indexação contém o modelo, a versão do modelo, a data e hora e o identificador do prompt. Após uma mudança de modelo, vê que execução produziu que resultado.
  • Permissões dos sistemas de origem: cada utilizador encontra apenas os documentos que pode ver no sistema de origem, e um agente de IA ligado apenas os do seu utilizador – também no caso de faturas e contratos.

O que o searchit traz como pesquisa empresarial mostra-o a página Enterprise Search em searchit-agent.ai.

Perguntas frequentes

O que é RAG?

Retrieval-Augmented Generation: um sistema de pesquisa vai buscar secções adequadas aos seus documentos e um modelo de linguagem formula a resposta a partir delas. A qualidade da resposta depende, por isso, em primeiro lugar da qualidade com que os documentos são lidos e encontrados.

É possível extrair tabelas de PDF de forma fiável?

Depende do documento. PDF gerados digitalmente com tabelas simples deixam-se normalmente extrair bem; tabelas com várias páginas, células unidas e digitalizações são mais difíceis. É por isso que exatamente estes casos devem entrar na pasta de testes.

Porque é que uma nota global não chega?

Se ponderar todos os erros da mesma forma, um montante mal atribuído quase não pesa numa nota sobre milhares de caracteres. Para a resposta ao departamento de compras, porém, pode ser decisivo.

O que é pior: um valor em falta ou um valor errado?

Um valor errado, e pesa ainda mais um inventado. Um valor em falta normalmente nota-se; um errado pode parecer certo. Por isso, o procedimento de verificação conta os três tipos separadamente.

Com que frequência devo repetir a verificação?

A cada alteração que influencie a leitura, a localização ou a resposta: outro leitor de PDF, outro modelo de linguagem, outra divisão em secções – e quando surgirem novos tipos de documento.

Conclusão

Num sistema RAG para empresas, um único montante numa tabela pode ser decisivo. Por isso, eu começaria pelos campos críticos: defina-os, verifique separadamente a leitura, a localização e a resposta e apresente à parte os valores errados e inventados. Assim, o erro decisivo continua visível ao lado da nota global.

Como o searchit lê os seus PDF e que secção mostra como resultado, mostramos-lhe com gosto com os seus próprios documentos – numa demonstração.

Artigos relacionados: Agentes de IA nas empresas: teste de aceitação · Melhores software de pesquisa empresarial 2026

Também lhe pode interessar