LLM para el análisis de GOSTs: de 2 horas a 5 min

Automatización de la Extracción de Parámetros GOST con LLMs: Un Caso de Estudio con Reducción de Tiempo 24x

En una planta metalúrgica de ciclo completo con 4.500 artículos de inventario y más de 200 documentos regulatorios (principalmente escaneos de GOSTs y OSTs de la era soviética), preparar una sola hoja de control solía tomar más de 2 horas. Los tecnólogos extraían manualmente parámetros de tablas, notas y texto a través de más de 40 indicadores. Una solución basada en LLM redujo este tiempo a 3-5 minutos—una mejora de 24 veces.

El desafío: generar una tabla con parámetros de control, fuentes (sección/tabla) y valores basados en características del inventario (grado de acero, diámetro de la palanquilla, grupo) y un PDF GOST.

Por Qué un Analizador Sintáctico No Era Suficiente

Un analizador basado en plantillas falló debido a la diversidad de formatos: en algunos GOSTs, los parámetros están en tablas; en otros, están en notas o secciones referenciadas. Se requiere comprensión semántica, no solo análisis estructural.

El LLM actúa como un 'tecnólogo virtual':

• Entrada: PDF GOST + parámetros del inventario
• Prompt: lista de parámetros con algoritmos de búsqueda
• Salida: tabla de 'Parámetro — Valor — Fuente'

El Fracaso de un Prompt Universal

Las pruebas en Perplexity mostraron: Claude Sonnet 4.6 logró un 85% de precisión en el primer GOST, GPT 5.4 logró un 72% (en modo Pensamiento). Pero los errores se repitieron en documentos posteriores debido a diferencias estructurales—tablas anidadas, constantes, rangos.

Un enfoque universal no escala. Transición a prompts adaptados a GOSTs específicos.

Arquitectura de Trabajo Basada en el Principio de Pareto

El 80% del inventario está cubierto por el 18% de los GOSTs (20 documentos clave para el piloto).

Para cada uno—un prompt personalizado con reglas:

• Ubicación del parámetro (tabla/sección)
• Interpretación de casos límite ('no menos de', rangos)
• Procesamiento de tablas

Proceso:

• Alimentar el PDF GOST y los parámetros en el prompt.
• Recibir la tabla de resultados.
• Si ocurren errores—analizar en Perplexity con el comando 'Actualizar regla XX'.

9 iteraciones durante 14 días aseguraron un 100% de precisión en los GOSTs piloto.

Implementación Actual y Escalabilidad

Las reglas se exportan a una tabla de Excel para que los tecnólogos las editen. El prompt carga la tabla + datos de entrada, genera una tabla lista para el sistema empresarial.

Agregar nuevos GOSTs: copiar reglas de plantilla, depurar en 1-2 iteraciones.

Conclusiones clave:

• Los LLMs modernos (Claude Sonnet) analizan de manera confiable escaneos PDF con tablas de cualquier complejidad.
• Aplicar Pareto: comenzar con el 20% superior de documentos.
• Los prompts personalizados por documento son más efectivos que los universales.
• La depuración iterativa elimina errores sistémicos (tablas anidadas).

Aplicaciones para Profesionales de TI

Este enfoque es aplicable en industrias con documentación regulatoria:

• Metalurgia, ingeniería mecánica
• Industria química, construcción, energía
• Farmacéutica (sin datos confidenciales)

Condiciones de éxito:

• Transferencia manual de datos desde PDFs heterogéneos.
• Sin requisitos estrictos de confidencialidad.
• Capacidad para refinamiento iterativo de prompts.

— Editorial Team