Passa ai contenuti principali

Perché i PDF giuridici rompono i sistemi RAG

L’estrazione ingenua dei PDF legali produce dati formalmente corretti ma semanticamente inutilizzabili, e rende necessario un livello di parsing strutturale prima del chunking.


Il problema non nasce dal modello linguistico, né dal database vettoriale. Nasce prima, molto prima, nel punto in cui un testo giuridico viene trasformato in testo “leggibile dalla macchina”.

Nel caso dei manuali e dei codici giuridici in PDF, questa trasformazione è tutt’altro che neutra.

I documenti normativi sono progettati per la lettura umana. Usano colonne multiple, note marginali, rinvii incrociati, intestazioni ripetute, impaginazioni gerarchiche. Un PDF a due colonne, per un lettore umano, è ovvio: prima si legge la colonna sinistra, poi la destra. Per un parser tradizionale, invece, non esiste alcuna “colonna”: esiste solo una sequenza di coordinate e glifi.

Il risultato è un testo linearizzato riga per riga. Non per concetto, ma per posizione.
Articoli diversi finiscono mescolati. Commi lontani diventano adiacenti. Rinvi normativi vengono spezzati e promossi a contenuti autonomi. Dal punto di vista sintattico, il testo esiste. Dal punto di vista semantico, è corrotto.

Questo problema diventa critico nel momento in cui si applica il chunking.
Il chunking, per definizione, assume che il testo in ingresso abbia già una coerenza interna minima. Se il testo è “rotto”, il chunking non fa che cristallizzare l’errore. Un articolo spezzato a metà genera chunk incompleti. Una nota marginale può diventare un chunk autonomo. Un rinvio (“ai sensi dell’art. X”) può essere indicizzato come se fosse l’articolo X stesso.

Nel mio caso, questo si è manifestato in modo evidente: chunk che contenevano una singola riga troncata, riferimenti normativi isolati, frammenti che iniziavano correttamente con “Art. 23” ma non contenevano l’articolo 23. Formalmente validi, operativamente dannosi.

Il problema non era Qdrant. Qdrant indicizzava correttamente ciò che riceveva.
Il problema non era il modello. Il modello rispondeva in modo coerente al contesto fornito.
Il problema era il contesto.

Qui emerge un punto chiave: in un sistema RAG giuridico, la qualità del retrieval è limitata dalla qualità del parsing, non dal modello di generazione. Se il testo è semanticamente instabile a monte, nessuna architettura a valle può correggerlo.

La soluzione non è stata “migliorare il chunking”, ma spostare il punto di intervento prima del chunking.
È qui che entra LlamaIndex, o più precisamente LlamaParse.

Nel mio progetto, LlamaIndex non è usato come framework di orchestrazione del retrieval. Non gestisce query, ranking o prompt. Viene utilizzato in modo molto più mirato: come parser strutturale di PDF complessi nella fase di ingestione.

LlamaParse non legge il PDF come una sequenza di righe. Lo interpreta come un layout visivo. Riconosce colonne, titoli, separazioni logiche, gerarchie testuali. Invece di restituire testo grezzo, restituisce una rappresentazione ordinata (Markdown) che preserva l’ordine concettuale del documento.

Questo passaggio è cruciale: il testo non viene più “letto” riga per riga, ma ricostruito secondo l’intenzione editoriale del documento. Le colonne vengono srotolate correttamente. Gli articoli tornano ad essere unità coerenti. Le intestazioni smettono di interferire con il contenuto normativo.

Solo dopo questo parsing strutturale ha senso applicare il chunking.
A quel punto, dividere per articoli o per sezioni non è più un’operazione fragile, ma una semplice formalizzazione di una struttura già presente.

Inoltre emerge chiaramente un altro aspetto spesso sottovalutato: la fase di debug.
L’introduzione di una modalità “DEBUG” che salva su disco il testo pulito e i chunk generati non è un dettaglio operativo, ma una scelta epistemica. Significa trattare il testo come un dato ispezionabile, non come un flusso opaco. È l’unico modo per verificare che ciò che viene indicizzato corrisponda a ciò che un giurista si aspetterebbe di leggere.

Il risultato finale non è semplicemente “più precisione”. È un cambio di natura del sistema.
Il database smette di essere un deposito di stringhe e diventa una mappa semantica affidabile della norma. Le risposte migliorano non perché il modello è più intelligente, ma perché il contesto smette di mentire.

In questo senso, LlamaParse non è un optional tecnologico. È un livello di traduzione necessario tra due mondi incompatibili: la tipografia giuridica e l’indicizzazione vettoriale. Senza quel livello, il sistema resta formalmente funzionante ma concettualmente instabile.

La lezione è semplice ma non banale: nei sistemi giuridici basati su AI, il problema principale non è “capire la legge”, ma non romperla prima di farla leggere alla macchina.


Commenti

Post popolari in questo blog

Have mymonero some problems ?

Hello, this is user pandher from BTCtalk. I have been a follower and holder of Monero since 2014 when the first bitmonero thread appeared on BTCtalk. Since that thread i knew Monero was the only one worth following. The professionalism and honesty of the dev team was a rare sight in that shitcoin madness. Checking the Monero reddit page and speculation thread had become a morning habit with me. I rarely missed reading both of these in these 2 years. I saw the community grow from a few hundred to a few thousand. It was so good to watch, to witness. Although i was mostly non vocal i felt myself as a part of this community. Reading AP's posts about the new world domination were exciting. But today i bid farewell to this wonderful community. All my Monero have been stolen Since zhalox posted about his lost Monero, i woke up from my slumber and created a cold wallet using GingerAle's paranoid method. Only to find out all my 4 MyMonero accounts were wiped on 3 september 2016. I...

Dove le molecole smettono di Ur­tarsi: viaggio nella coerenza Quantistica della Vita

C’era un momento, nella storia della biologia, in cui la vita veniva immaginata come un enorme tavolo da biliardo. Molecole che si urtano. Collisioni casuali. Reazioni che accadono perché, semplicemente, qualcosa colpisce qualcos’altro nel modo giusto. Funzionava. Più o meno. Poi, lentamente, qualcosa ha iniziato a incrinarsi. Non perché quella visione fosse sbagliata, ma perché era incompleta. Troppo rumorosa. Troppo cieca. Troppo… inefficiente per spiegare ciò che osservavamo davvero. Perché dentro le cellule accadevano cose strane. Troppo veloci. Troppo precise. Troppo coordinate. Come se, invece di urtarsi alla cieca, le particelle… sapessero. Immagina di entrare dentro una cellula. Non troverai caos. Non troverai disordine. Troverai elettroni che scorrono come una valuta invisibile, scambiata con una precisione che sfida l’intuizione. Non saltano semplicemente da una molecola all’altra: a volte attraversano barriere che, secondo la fisica classica, non dovrebbero poter...

Ingegneria del contesto per l'intelligenza artificiale avanzata

  Quando si parla di IA generativa, il dibattito pubblico si concentra spesso su due aspetti: la potenza del modello e la qualità dei prompt. Tuttavia, tra questi due poli si trova un'area meno discussa ma cruciale:  il contesto  . Non stiamo parlando solo di "informazioni extra" per il modello, ma dell'architettura logica e operativa che determina il modo in cui l'intelligenza artificiale interpreta, collega e utilizza i dati per fornire risultati accurati e coerenti. È qui che entra in gioco  l'ingegneria del contesto  : l'arte (e la scienza) di progettare, organizzare e ottimizzare il contesto di un Large Language Model (LLM) per guidarlo verso risposte più affidabili, precise e utili. Perché l'ingegneria del contesto è importante Un LLM non "capisce" il mondo come gli esseri umani. Elabora modelli statistici in base agli input che riceve e ai dati di training.  Il contesto  è la combinazione di istruzioni, esempi, dati di supporto e rifer...