text-extract-api
Analiza PDFs de seguros, convierte formularios a JSON y anonimiza PII localmente con text-extract-api. Rápido, privado y con tecnología de Ollama y PyTorch.
Extrae tablas, texto y JSON de documentos de seguros utilizando LLMs de visión locales y OCR de PyTorch.
Esta herramienta es un servicio de API autohospedado para extraer datos estructurados y eliminar PII de documentos escaneados y PDFs. Los equipos técnicos de seguros pueden procesar reclamaciones, facturas y registros médicos íntegramente de forma local (on-premise) utilizando Ollama y modelos de visión de PyTorch. Ofrece una arquitectura respaldada por colas diseñada para la automatización de backends de alto rendimiento.
Qué es
Convierte PDFs, imágenes y archivos de Office en un formato Markdown o JSON limpio mientras gestiona datos tabulares y formularios especializados. El servicio principal combina EasyOCR o LLMs de visión locales con workers de Celery y caché de Redis para ejecutar flujos de trabajo de extracción sin enviar datos sensibles fuera de tu red.
Para quién
Es ideal para desarrolladores de seguros e ingenieros de datos que necesitan analizar formularios de reclamaciones sensibles y anonimizar registros de clientes en hardware local. No es adecuado para equipos no técnicos que busquen una interfaz gráfica de usuario lista para usar sin configuración previa.
Funciones clave
Procesamiento OCR de visión local
Ejecuta modelos OCR de PyTorch y LLMs locales a través de Ollama para mantener los registros de seguros sensibles dentro de tu entorno.
Supresión automatizada de PII
Extrae texto de documentos mientras identifica y elimina la información de identificación personal antes del almacenamiento posterior.
Cola asíncrona con Celery
Utiliza workers de Celery y caché de Redis para procesar lotes de documentos de gran volumen de forma concurrente.
Análisis de salida flexible
Convierte tablas complejas, facturas e informes en Markdown con formato o esquemas JSON estructurados.
Integración de motor remoto
Compatible con wrappers de OCR externos como Marker-pdf a través de endpoints de API para diseños complejos multilingües.
Listo en 3 pasos
Nuestro veredicto honesto
Lo mejor
- Cero dependencias de nubes externas para mantener los archivos de reclamaciones sensibles estrictamente en la infraestructura local.
- La caché de Redis evita el procesamiento redundante al ejecutar tareas de extracción con LLM repetitivas.
- Compatible tanto con motores OCR estándar como con LLMs con capacidad de visión como Llama 3.2 Vision y MiniCPM-V.
- Incluye una interfaz de línea de comandos dedicada para probar archivos de prompts en documentos complejos.
Sus límites
- Requiere hardware dedicado o recursos de GPU para ejecutar LLMs de visión con un rendimiento aceptable.
- Configurar workers, Redis y modelos de Ollama requiere un conocimiento considerable de DevOps y Python.
- El uso de motores OCR con licencia GPL como Marker requiere un despliegue de servidor separado para evitar la contaminación de la licencia.
- La estrategia de Llama 3.2 Vision puede ser muy lenta al procesar lotes grandes de documentos de varias páginas.
Precios y licencia
El software es de uso gratuito bajo la licencia MIT. El único coste proviene de la operación de los servidores de computación y los recursos de GPU locales necesarios para procesar los documentos.
Empleos para hispanohablantes
880 puestos remotos abiertos de entrenamiento de IA, actualizados el 15 de noviembre de 2026; la mayoría paga $20–$175 por hora. 22 de ellos piden hispanohablantes. Zekai los lista gratis; la solicitud va a la plataforma del empleador.
Alternativas
Úsalo, o deja que lo configuremos
FAQ
¿Puedo ejecutar esto sin enviar datos a proveedores de nube externos?
Sí, todo el flujo de trabajo, incluyendo OCR de PyTorch, modelos de Ollama, Redis y FastAPI, se ejecuta íntegramente en tu propia máquina local o servidor privado.
¿Cómo elimina la herramienta los datos sensibles de los clientes?
Puedes pasar archivos de prompts personalizados durante el envío para indicar al LLM integrado que elimine la información de identificación personal antes de devolver la salida JSON.
¿Puede analizar tablas complejas en informes médicos o de reclamaciones?
Sí, los modelos de visión subyacentes y las estrategias de OCR convierten datos tabulares complejos en Markdown o JSON estructurado.
