Curso libreInteligencia artificial y datos
Extracción inteligente de datos de documentos
El curso Extracción inteligente de datos de documentos proporciona al estudiante las técnicas para extraer automáticamente datos de facturas, formularios, contratos y PDF escaneados con OCR y modelos de lenguaje, validarlos con esquemas Pydantic y cargarlos en los sistemas de la empresa con revisión humana en los casos de baja confianza.
A quién va dirigido
Analistas, desarrolladores y responsables de procesos administrativos con Python básico o experiencia en herramientas de automatización.
Objetivos
✓Comprender las diferencias entre PDF nativo, escaneado y formulario estructurado para elegir la técnica de extracción.
✓Analizar la calidad de imagen y la exactitud por campo para identificar dónde falla la extracción.
✓Aplicar pypdf, Tesseract, Camelot, pdfplumber y modelos multimodales con salidas estructuradas en JSON.
✓Diseñar un flujo de producción con validación Pydantic, puntaje de confianza, revisión humana y carga a ERP o tablas.
✓Evaluar servicios como Azure AI Document Intelligence y Google Document AI y el tratamiento de datos personales.
Plan de estudios por sesión
1
Tipos de documentos y OCRPDF nativo frente a escaneado; pypdf y OCR con Tesseract · Tablas con Camelot y pdfplumber; calidad de imagen y preprocesamiento
2
Extracción con modelos de lenguajeModelos multimodales, salidas estructuradas y esquemas JSON · Validación Pydantic de NIT, fechas y totales; servicios gestionados
3
Flujo de producciónPuntaje de confianza y cola de revisión humana · Carga a hojas, bases de datos o ERP; exactitud por campo y datos personales
4
Presentación del flujo de extracciónLote de documentos reales anonimizados · Métricas de exactitud, tiempo ahorrado y documentación del flujo
Evaluación
Inicial30%Ejercicio de extracción de texto y tablas con pypdf, Tesseract, Camelot y pdfplumber sobre PDF nativos y escaneados.
Intermedio30%Taller de extracción con modelos multimodales y validación de NIT, fechas y totales con esquemas Pydantic.
Final40%Flujo que extrae y valida campos de un lote de facturas o formularios y los carga a una tabla, con informe de exactitud por campo.
Proyecto final
Flujo que extrae y valida los campos de un lote de facturas o formularios y los carga a una tabla, con informe de exactitud por campo.