Como extrair dados de documentos sem inventar campos

Para extrair dados com IA, defina campos esperados, formato e evidência no documento. Campos ausentes devem permanecer ausentes ou seguir para revisão; não devem ser completados por plausibilidade. Uma saída organizada em estrutura válida não prova que o conteúdo extraído está correto.

Defina o documento e a tarefa

Liste tipos de documento admitidos e quais versões ou formatos serão tratados. Evite começar com “qualquer PDF”. Um arquivo pode conter imagem, texto selecionável, páginas diferentes ou vários documentos juntos. O fluxo precisa identificar o que recebe e encaminhar o que não consegue interpretar com segurança.

Descreva o uso da extração. Preencher um índice para revisão é diferente de autorizar um pagamento. O impacto da saída define a validação necessária. Se o resultado vai a um sistema financeiro ou jurídico, envolva os responsáveis pelo processo e não use a automação como substituto de controles exigidos pela empresa ou por regras aplicáveis.

Crie um esquema explícito

Para cada campo, indique tipo, obrigatoriedade e fonte esperada. Diferencie zero, vazio e desconhecido. Identificadores devem ser preservados como texto quando zeros à esquerda forem relevantes. Datas precisam de interpretação de formato, e valores monetários precisam de moeda. Não confunda uma data de emissão com uma de vencimento só porque ambas aparecem na página.

Campo	Validação sugerida
Identificador	Formato e correspondência no sistema
Data	Tipo de data e formato confirmado
Valor	Moeda, separador e consistência
Nome	Trecho de origem e necessidade de uso
Campo ausente	Não inventar; encaminhar conforme regra

Peça referência à página ou trecho, quando a tecnologia permitir. Isso reduz o esforço de revisão e torna erros localizáveis. A referência também precisa ser testada: o modelo pode citar uma página existente que não contém a evidência. O controle deve comparar campo e origem, não apenas verificar se há uma citação.

Valide antes de gravar

Use regras determinísticas para tipos, intervalos e relações conhecidas. Uma soma pode revelar inconsistência, mas não autoriza corrigir o documento por conta própria. Se o total não fechar, registre a divergência e encaminhe. Não substitua um valor porque outro parece mais provável.

Exemplo ilustrativo: o documento tem dois valores, R$ 120 e R$ 130, com descrições diferentes. O campo desejado é o total devido. O teste precisa mostrar se o fluxo encontrou a referência correta ou marcou ambiguidade. Escolher o maior valor sem fundamento não é validação. O resultado esperado deve ser definido antes da execução.

Trate arquivos problemáticos

Inclua páginas giradas, imagem desfocada, documento incompleto e mistura de tipos. Uma falha de leitura deve gerar estado distinto de documento sem campo. Isso evita apresentar ausência como fato quando a tecnologia simplesmente não conseguiu enxergar o conteúdo.

Estabeleça limite de arquivo conforme as capacidades verificadas da solução e a política da empresa. Rejeite formatos inesperados com orientação clara. Não aceite arquivos potencialmente inseguros sem controles apropriados. A extração não deve executar instruções encontradas dentro do documento nem permitir que o conteúdo altere permissões do fluxo.

Faça revisão com contexto suficiente

Mostre original e campos lado a lado, destacando os que precisam de confirmação. Permita corrigir sem apagar o valor sugerido do histórico necessário à investigação. A retenção desse histórico deve ter finalidade e acesso definidos. Não preserve cópias completas indefinidamente apenas por conveniência de depuração.

Registre motivo da correção: leitura ruim, campo trocado, ambiguidade ou regra de formato. Essa classificação mostra se o problema exige melhorar a entrada, alterar instruções ou reforçar validação. Se todos os erros forem chamados de “IA errada”, a equipe perde a oportunidade de corrigir a causa real.

Teste e decida expansão

Separe amostra de ajuste da amostra de avaliação. Cubra variação de layout e casos em que a resposta correta é não extrair. Meça qualidade por campo e por documento, pois um documento quase todo correto pode ter justamente o campo decisivo errado.

Depois da aprovação, mantenha testes de regressão quando mudar modelo, esquema ou origem. Uma alteração de layout pode afetar apenas um tipo de documento. Limite a expansão ao que foi validado e preserve a fila manual. O objetivo é reduzir trabalho com rastreabilidade, sem transformar qualquer saída preenchida em resultado aprovado.

Teste separadamente leitura e interpretação de separadores numéricos. Em documentos com formatos distintos, vírgula e ponto podem representar casas decimais ou agrupamento. Não aplique uma substituição geral sem confirmar o contexto. Preserve o texto original do campo para revisão e registre a transformação utilizada. Faça o mesmo com datas ambíguas. Quando não houver evidência para escolher a interpretação, encaminhe o item em vez de gravar uma suposição como fato. Esse cuidado deve existir antes da integração com o destino, porque corrigir dados depois pode exigir desfazer efeitos já produzidos.

Perguntas frequentes

Um JSON válido significa extração correta?

Não. Ele apenas pode demonstrar conformidade de estrutura. Conteúdo, referência e uso operacional exigem validações adicionais. Um número no formato certo ainda pode ter sido retirado do campo errado.

Posso preencher valores faltantes pela média?

Isso seria uma estimativa, não extração. Se houver uma necessidade legítima de estimar, separe o campo e identifique o método. Não apresente valor inferido como informação presente no documento original.

Preciso guardar todos os arquivos?

A retenção depende de finalidade, obrigações e política aplicável. Defina acesso, prazo e exclusão com os responsáveis. Não confunda manter evidência suficiente com armazenar todo o conteúdo sem limite.

Fontes

ANPD — segurança — acesso, armazenamento e proteção de informações.