IA y automatización · Pensamiento y aprendizaje
RAG, OCR y documentos difíciles
Texto propio recuperado del archivo personal de LinkedIn, revisado el 26 de septiembre de 2026. Fecha contrastada con los metadatos públicos de la publicación. Título y descripción editoriales; cuerpo conservado, con formato adaptado a Markdown.
Ver publicación original ↗Si trabajan con RAG (Retrieval-Augmented Generation), seguro se han topado con la pesadilla de siempre: el OCR falla, las tablas se rompen al hacer chunking y el contexto visual se pierde por completo.
Acabo de analizar ColiVara, una implementación open-source brutal basada en el paper de ColPali, y el enfoque es un cambio de paradigma total:
👁️ Visión > Texto: En lugar de extraer texto a la fuerza, ColiVara trata las páginas de los documentos como imágenes. Usa Modelos de Lenguaje Visual (VLMs) para generar embeddings que entienden tanto el texto como el layout visual (tablas, figuras, fuentes).
🛠️ El Stack Técnico (Para los curiosos): Es un proyecto “Web-first” súper moderno construido sobre:
🐍 Python & Django Ninja: API asíncrona y rápida. 🐘 PostgreSQL + pgvector: Usa HalfVector para búsquedas eficientes. ⚡ Sin pipelines complejos: Adiós al chunking y al pre-procesamiento tedioso de texto.
📊 ¿Resultados? Según los benchmarks (ViDoRe), este enfoque de “Late Interaction” supera a los métodos tradicionales (como BM25 o embeddings de solo texto) en documentos complejos.
Si están cansados de luchar con PDFs complejos, denle una mirada a este repo. 👇
#AI #RAG #Python #OpenSource #MachineLearning #ColPali #DevCommunity
La conversación continúa.