Passa ai contenuti principali

Post

Visualizzazione dei post con l'etichetta rag llama parse chunk qdrant

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 d...