italianRAG
Document AI per i documenti societari italiani. Trasforma bilanci, statuti e visure camerali in fatti tipizzati e in risposte che citano la pagina di origine.
- Il mio ruolo
- Progettazione e implementazione
- Dove
- Tirocinio in InfoCamere, Padova
- Quando
- Da marzo a maggio 2026
- Stack
- Python, FastAPI, Pydantic, SQLite, Qdrant
Il problema
I PDF societari non hanno un layout comune. Alcuni sono digitali, altri sono scansioni, e molti concentrano i valori chiave in tabelle fitte. Lo stesso valore può mancare in un documento, essere ambiguo in un altro ed essere contraddetto da un terzo.
Una risposta scorrevole non basta, se qualcuno deve verificarla sull'originale. L'obiettivo era un prototipo ispezionabile: fatti strutturati, la pagina che sostiene ciascuno di essi e un modo per misurare le modifiche senza affidarsi alle demo.
Due percorsi
I percorsi deterministici gestiscono i campi con una forma nota: sede legale e dati identificativi, capitale sociale, governance, valori finanziari e serie pluriennali, e i campi di una visura camerale. Ognuno restituisce un valore tipizzato, uno stato del campo (presente, mancante, incerto o non applicabile), l'evidenza e una traccia dell'elaborazione.
Il retrieval gestisce le domande che non corrispondono a un estrattore. Filtra in Qdrant sui metadati del documento e dell'azienda e restituisce un contesto collegato alla fonte, così il testo generato non viene mai presentato come un fatto verificato.
Tra più documenti
I fatti sono salvati per azienda, quindi il sistema può confrontare più documenti: i valori finanziari su più anni, lo statuto con la visura camerale, oppure una cronologia tra più visure. Discrepanze e lacune vengono riportate così come sono, senza fonderle in un'unica risposta.
Valutazione
- risposte corrette
- 116/116
- supportate da una citazione
- 116/116
- verificate rispetto al gold standard
- 116/116
Il benchmark comprende 116 casi che coprono i percorsi deterministici. Viene eseguito con un provider deterministico, così routing, estrazione e citazioni sono verificati senza la variabilità di un modello remoto.
Il risultato vale per questo dataset e per questi percorsi. È una base per i test di regressione: non misura le domande aperte, i documenti scansionati o le aziende esterne al dataset.
Scelte
- L'estrazione deterministica resta accanto al RAG. I campi strutturati richiedono un parsing ripetibile e una semantica esplicita per i valori mancanti. Il retrieval serve per l'esplorazione.
- Il parser semplice è rimasto quello predefinito. Ho confrontato alcune alternative, tra cui un percorso con OCR e modelli di visione per le scansioni. pypdf era veloce e sufficiente per i PDF ricercabili, quindi i percorsi più pesanti si attivano solo su richiesta.
- L'evidenza accompagna ogni risposta. Riferimenti di pagina, estratti, percorso e traccia fanno parte della risposta, e questo aiuta nel debug, nella revisione e nella validazione del benchmark.
Di che cosa mi sono occupato
- Il servizio FastAPI e lo spazio di lavoro locale.
- L'estrazione tipizzata e il routing specifico per tipo di documento.
- Il modello dei fatti in SQLite e gli stati dei campi.
- Il retrieval con Qdrant, i filtri sui metadati e gli esperimenti di reranking.
- L'analisi finanziaria e camerale tra più documenti.
- I dataset di benchmark, gli strumenti di validazione, i test di regressione e le dashboard.
- Il confronto tra i parser e il recupero opzionale con OCR e modelli di visione.
- La documentazione tecnica e i diagrammi.
Il codice è privato perché l'ho scritto durante il tirocinio. Questa pagina descrive il progetto senza includere materiale del tirocinio.