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
Gerado por IARetrieval-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 rutura | O que acontece | Como aparece na resposta |
|---|---|---|
| quebra de página | a linha de cabeçalho só está na primeira página | os valores da página 2 já não têm nomes de coluna – «líquido» e «bruto» são trocados |
| layout em várias colunas | as colunas são lidas lado a lado em vez de uma por baixo da outra | duas posições fundem-se numa só |
| células unidas | uma linha de grupo vale para várias linhas abaixo dela | o grupo fica associado apenas à primeira linha |
| totais e subtotais | parecem posições | um subtotal é indicado como preço unitário |
| unidade no cabeçalho ou na nota de rodapé | «todos os montantes em milhares de euros» está fora da tabela | o montante está errado por um fator de mil |
| formato numérico | vírgula e ponto separam, consoante a língua, os milhares ou as casas decimais | com um formato mal presumido, 1.234,56 euros passam a um montante de cerca de um euro |
| digitalizações | a página é uma imagem, não texto | sem reconhecimento de texto, a tabela falta por completo |
| divisão em secções | o sistema RAG corta documentos longos em pedaços – também a meio de uma tabela | a 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:
- Leitura: depois da conversão do PDF, o valor está correto no texto – na linha certa, sob a coluna certa?
- Localização: a pesquisa devolve, para uma pergunta, a secção que contém o valor e a sua linha, incluindo a referência à coluna?
- Resposta: a resposta indica o valor certo, com a unidade e a fonte certas?
Registe também de que tipo de erro se trata:
| Tipo | Significado | Peso |
|---|---|---|
| em falta | o valor está no PDF, mas não chega | incómodo – normalmente nota-se |
| errado | chega um valor, mas com atribuição, unidade ou página errada | perigoso – parece certo |
| inventado | o valor não está assim em parte nenhuma do documento | o mais perigoso – não é verificável no original |
O procedimento de verificação
- 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.
- 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.
- Verificar cada fase separadamente. Primeiro o texto convertido, depois as secções encontradas, depois as respostas.
- Apresentar separadamente os erros em campos críticos. Uma linha própria no relatório, um limiar próprio. A nota global fica por baixo, não por cima.
- 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:
| Documento | Página | Posição | Coluna | Valor esperado | Leitura | Localização | Resposta |
|---|---|---|---|---|---|---|---|
| Caderno de encargos A | 3 | 04.120 | Preço total líquido | (montante, moeda) | |||
| Caderno de encargos A | 4 | 04.130 | Preço 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
Gerado por IAEnterprise Search
Memória para agentes de IA nas empresas: conhecimento da empresa, factos e processos em comparação
Um agente de IA sem memória começa todos os dias do zero. Mas «memória» significa coisas diferentes consoante o fornecedor: o conhecimento que está no acervo da sua …
Gerado por IAEnterprise Search
Agentes de IA nas empresas: teste de aceitação que mede separadamente erros, pedidos de esclarecimento e retrabalho
Na fase piloto, um agente de IA parece muitas vezes bom. Se, em operação, poupa mais trabalho do que custam o controlo e a manutenção, uma taxa de sucesso por si só não o …
Gerado por IAEnterprise Search
Poder ler não é poder agir: testar com segurança agentes de IA com acesso de escrita
Um agente de IA com permissões de leitura encontra informação. Com permissões de escrita, envia e-mails, altera registos e marca compromissos. Antes de autorizar isso, precisa …
