Esta publicación está coescrita por Jeremy Jacobson y Rado Fulek de Ricoh.
Esta publicación demuestra cómo las empresas pueden superar los límites de escala del procesamiento de documentos combinando IA generativa, arquitectura sin servidor y marcos estandarizados. Ricoh diseñó un marco repetible y reutilizable utilizando el acelerador de procesamiento inteligente de documentos (IDP) AWS GenAI. Este marco redujo el tiempo de incorporación de clientes de semanas a días. También aumentó la capacidad de procesamiento para nuevos flujos de trabajo con uso intensivo de IA que requerían una división compleja de documentos. Se prevé que la capacidad se multiplicará por siete hasta llegar a más de 70.000 documentos por mes. Además, la solución redujo las horas de ingeniería por implementación en más del 90 %.
Ricoh USA, Inc. es un líder tecnológico global que presta servicios a una base de clientes diversa en más de 200 países. Dentro de su práctica de atención médica, Ricoh presta servicios a los principales pagadores de seguros médicos, organizaciones de atención administrada y proveedores de atención médica, procesando cientos de miles de documentos críticos cada mes, incluidos reclamos de seguros, quejas, apelaciones y registros clínicos de sus clientes. Se enfrentaron a un desafío común a las empresas que modernizan flujos de trabajo con muchos documentos: la dependencia de la ingeniería manual personalizada. Cada nueva implementación de un cliente de atención médica requirió un desarrollo y ajuste únicos por parte de ingenieros especializados. Además, la implementación requería ingeniería rápida personalizada, ajuste del modelo y pruebas de integración que no podían reutilizarse entre los clientes. Aunque esto proporcionó una experiencia excepcional y personalizada para los clientes de Ricoh, el tiempo y el esfuerzo involucrados crearon cuellos de botella que limitaron la expansión. Con un volumen previsto siete veces mayor, Ricoh aprovechó la oportunidad para innovar.
El desafío no era sólo automatizar procesos. Se trataba de crear una solución escalable que pudiera ofrecer inteligencia artificial de última generación para la extracción de documentos y flujos de trabajo agentes. Esta solución debía cumplir estrictos estándares de cumplimiento, incluidos HITRUST, HIPAA y SOC II. Estos requisitos a menudo van en contra de la rápida innovación en IA. Los marcos de cumplimiento suelen restringir el intercambio de datos, lo que limita las capacidades de capacitación del modelo. También exigen controles de seguridad rigurosos que pueden impedir la agilidad necesaria para el desarrollo y despliegue iterativo de la IA. A pesar de estos desafíos, Ricoh tuvo como prioridad superar esta tensión para sus clientes. Ricoh, basándose en los modelos básicos (FM) disponibles a través de Amazon Bedrock y combinándolos con Amazon Textract, hizo posible que los clientes se beneficiaran de una automatización de vanguardia que se alinea con los estándares de cumplimiento más estrictos.
Esta publicación explora cómo Ricoh creó una solución multiinquilino estandarizada para la clasificación y extracción automatizada de documentos utilizando AWS GenAI IDP Accelerator como base, transformando su procesamiento de documentos de un cuello de botella de ingeniería personalizada a un servicio escalable y repetible.
Resumen del cliente
Ricoh USA, Inc. es un líder tecnológico global que ofrece servicios de lugar de trabajo digital, gestión de documentos y soluciones de automatización de procesos comerciales a organizaciones en más de 200 países. Dentro de su práctica de atención médica, Ricoh presta servicios a los principales pagadores de seguros médicos, organizaciones de atención administrada y proveedores de atención médica, procesando miles de documentos críticos cada mes, incluidos reclamos de seguros, quejas, apelaciones y registros clínicos.
"Dentro de Ricoh Intelligent Business Platform, los flujos de trabajo que requerían los niveles más altos de inteligencia para tareas clave de IDP experimentaron un crecimiento explosivo. Necesitábamos pasar de construcciones personalizadas a una plataforma", dice Jeremy Jacobson, arquitecto de IA, desarrollo de soluciones de cartera en Ricoh. "Para nuestros clientes, integramos, operamos y evolucionamos la IA para que ellos no tengan que hacerlo. Alinear nuestros patrones y tecnologías IDP patentados con el acelerador IDP GenAI de AWS amplificó esta ventaja. Así equipados, entregamos una plataforma IDP configurable certificada por HITRUST CSF que vincula a nuestros clientes con las fronteras de la IA".
Los documentos sanitarios suelen llegar desestructurados y muy variables. Un solo paquete puede incluir varios tipos de documentos (portadas de fax, notas clínicas y formularios de apelación), cada uno con diferentes diseños y convenciones de nomenclatura. Los documentos tenían entre 15 y 50 páginas, algunos contenían cartas de presentación y otros no. Los diferentes proveedores de atención médica utilizaron diferentes estructuras de documentos, convenciones de nomenclatura de campos y ubicación de información crítica entre diferentes proveedores de atención médica. Los enfoques de extracción basados en plantillas resultaron ineficaces.
Para los servicios de Intelligent Business Platform de Ricoh, los requisitos funcionales incluían capturar atributos de datos a partir de escaneos de documentos no estructurados o semiestructurados y asignar a cada atributo de datos un nivel de confianza que identifique de manera confiable cuándo se necesita la revisión humana. Una persona revisa cada atributo con un nivel de confianza por debajo de un umbral predefinido para verificar su precisión y cumplimiento. Los revisores humanos verifican los datos extraídos, corrigen errores y validan que la información crítica de atención médica, como identificaciones de miembros, códigos de diagnóstico y montos de reclamos, cumpla con los estándares de calidad requeridos para la alineación del cumplimiento normativo y el procesamiento de reclamos. Este enfoque humano-in-the-loop logra dos resultados comerciales clave: mantener los altos niveles de precisión (normalmente entre 98 y 99 %) requeridos por los pagadores de atención médica y, al mismo tiempo, reducir los costos de revisión manual entre un 60 y un 70 % en comparación con el procesamiento totalmente manual.
La solución necesitaba extraer datos clave, como identificaciones de miembros, información de proveedores y detalles de reclamaciones de varias secciones de documentos, con la capacidad de buscar en notas clínicas y otras secciones cuando no se encontraba información en las cartas de presentación. Los requisitos no funcionales abordaron varias necesidades operativas críticas:
Rendimiento y escalabilidad: maneje los picos de tráfico para procesar hasta 1000 documentos en minutos y, al mismo tiempo, evite el desperdicio de recursos computacionales durante períodos de poco tráfico. Precisión y calidad: cumpla con estrictos acuerdos de nivel de servicio (SLA) para los plazos de entrega y la exactitud de los datos. Optimización de costos: habilite umbrales de confianza configurables que equilibren los requisitos de precisión con los costos de revisión manual, manteniendo los atributos capturados incorrectamente por debajo del SLA acordado y al mismo tiempo minimizando la costosa revisión humana. Eficiencia operativa: permita una rápida incorporación de clientes a través de cambios de configuración en lugar de cambios de código.
Desafíos con flujos de trabajo de procesamiento de documentos complejos
Durante algún tiempo, el equipo de Ricoh había combinado el reconocimiento óptico de caracteres (OCR) tradicional, que detecta y extrae texto de documentos escaneados, con modelos de inteligencia artificial multimodal que pueden comprender texto e imágenes simultáneamente. Este enfoque ayudó a abordar desafíos complejos, como distinguir entre campos similares al extraer datos de documentos con múltiples nombres y direcciones.
Después de que los FM multimodales estuvieron disponibles en Amazon Bedrock, pronto quedó claro que una simple llamada API a Amazon Bedrock (es decir, enviar un documento escaneado junto con un mensaje) no sería suficiente para flujos de trabajo complejos. Cuando los documentos se componen de varias partes o secciones, como portadas, contratos o respuestas de autorización, las reglas de extracción a menudo dependen de que primero se clasifique correctamente el tipo de sección.
La solución necesitaba manejar una clasificación de documentos compleja, distinguiendo entre reclamos, disputas, correos electrónicos y portadas de fax sin dividir los paquetes en tipos de documentos granulares. Además, los modelos de lenguaje grandes (LLM) tienen límites de ventana de contexto y experimentan una disminución del rendimiento al seguir instrucciones a medida que se llena el contexto. Las limitaciones del tamaño de página de los documentos obligaron al equipo de Ricoh a utilizar enfoques alternativos para documentos más grandes.
El equipo de Ricoh también necesitaba flexibilidad para integrarse con sus flujos de trabajo de procesamiento de documentos de alta capacidad existentes (incluidos sistemas de enrutamiento de documentos, servicios de administración de casos y aplicaciones comerciales posteriores) y al mismo tiempo mantener el control sobre los pasos de procesamiento y la selección de modelos. Esto incluía requisitos únicos, como dividir documentos según la información del proveedor de atención médica o del paciente.
Para mejorar la precisión, el equipo de Ricoh utilizó medios más sofisticados para insertar dinámicamente contexto en las indicaciones, una técnica en la que metadatos de documentos relevantes, campos previamente extraídos e información de estructura de documentos se agregan mediante programación a las instrucciones del modelo de IA en función del documento específico que se procesa. Esta indicación sensible al contexto mejoró la precisión de la extracción entre un 15 y un 20 % en comparación con las indicaciones estáticas, lo que ayudó al modelo a comprender las relaciones entre documentos y las dependencias de campo.
Aunque estas ganancias fueron sustanciales, al intentar recrear este éxito, el equipo de Ricoh se topó con un obstáculo persistente: estos flujos de trabajo exigían entre 40 y 60 horas de tiempo de desarrollador por cliente para configurarlos, por ejemplo, para incorporar funciones recientemente lanzadas de los modelos subyacentes. Ricoh coordinó con el Centro de Innovación de IA Generativa de AWS en el Acelerador IDP para abordar estos desafíos de escalabilidad.
Descripción general de la solución
Ricoh se asoció con AWS para implementar GenAI IDP Accelerator, un marco de referencia diseñado para ayudarlo a implementar soluciones de procesamiento de documentos de nivel de producción. El acelerador proporciona múltiples patrones de procesamiento optimizados para diferentes tipos de documentos y flujos de trabajo.
El equipo seleccionó el Patrón de procesamiento 2, que combina Amazon Textract para OCR (la tecnología que convierte imágenes de texto en texto legible por máquina) con Amazon Bedrock FM para una clasificación y extracción inteligentes. Este patrón está diseñado específicamente para documentos complejos de varias partes que requieren tanto extracción de texto como comprensión impulsada por IA. El enfoque ofrecía control total sobre la orquestación del modelo y era ideal para manejar documentos de atención médica de varias partes de Ricoh porque admite el procesamiento secuencial (clasificar primero, luego extraer según la clasificación) y maneja documentos que exceden las ventanas de contexto típicas de LLM procesándolos en secciones.
La solución fue diseñada para alinearse con los estrictos requisitos de cumplimiento de la atención médica. Para cumplir con HIPAA, la información médica protegida (PHI) se cifra en reposo mediante AWS Key Management Service (AWS KMS) y en tránsito mediante TLS 1.2+. Los controles de acceso siguen el principio de privilegio mínimo, con políticas de AWS Identity and Access Management (IAM) que restringen el acceso a los datos únicamente al personal autorizado.
Para los requisitos de certificación HITRUST, la arquitectura implementa un registro de auditoría integral a través de Amazon CloudWatch y AWS CloudTrail, capturando el acceso a los datos y las actividades de procesamiento. La alineación del cumplimiento de SOC 2 Tipo II se respalda mediante el uso de servicios de AWS que mantienen sus propias certificaciones SOC 2, combinados con los controles operativos documentados de Ricoh para la gestión de cambios, respuesta a eventos y monitoreo continuo.
El modelo de precios de pago por uso elimina los costos de infraestructura inactiva: Ricoh solo paga por el procesamiento de documentos real, sin cargos durante los períodos de inactividad. Esta previsibilidad de costos fue crucial para brindar soporte a múltiples clientes con diferentes volúmenes de documentos, ya que los costos de cada cliente aumentan proporcionalmente con su uso en lugar de requerir inversiones fijas en infraestructura.
Los documentos ingresan mediante Amazon Simple Storage Service (Amazon S3), lo que activa flujos de trabajo basados en eventos. Las funciones de AWS Lambda invocan los modelos de Amazon Bedrock para determinar tipos de documentos como reclamos, apelaciones, faxes, quejas, solicitudes de autorización previa y documentación clínica. Amazon Textract analiza el texto y el diseño, y los resultados se combinan con los modelos de Amazon Bedrock para la extracción de datos estructurados. Las reglas comerciales personalizadas (lógica configurable específica para los requisitos de cada cliente, como reglas de validación de campos, criterios de enrutamiento de documentos y especificaciones de transformación de datos) funcionan junto con la puntuación de confianza para determinar qué campos requieren revisión humana.
Las puntuaciones de confianza se calculan comparando los resultados de extracción de múltiples fuentes (Amazon Textract y Amazon Bedrock) y asignando un valor numérico (0–100%) que indica la certeza del sistema en cada campo extraído. Los campos con una puntuación inferior a los umbrales definidos por el cliente (normalmente entre 70 y 85 %) se marcan para validación humana. Los resultados finales se almacenan en Amazon S3, y los casos de baja confianza se envían para validación humana a través de colas de revisión donde los operadores verifican los datos extraídos, corrigen errores y brindan comentarios que mejoran el procesamiento futuro.
El motor principal IDP-Common de AWS GenAI IDP Accelerator sirvió como capa de integración, ayudando a Ricoh a mantener sus flujos de trabajo establecidos. El paquete común IDP es una biblioteca de Python que proporciona funcionalidad compartida para la solución de procesamiento inteligente acelerado de documentos en AWS. Esta solución ayuda a las empresas a extraer y procesar automáticamente información de documentos utilizando servicios de inteligencia artificial, eliminando la entrada manual de datos y mejorando la precisión.
Se crea una instancia de cada implementación de cliente mediante una aplicación configurable del modelo de aplicación sin servidor de AWS (AWS SAM) implementada como una pila de AWS CloudFormation, lo que admite una incorporación rápida. Esto abstrae los detalles de la infraestructura, incluida la configuración de Amazon Virtual Private Cloud (Amazon VPC), las reglas del grupo de seguridad, las políticas de roles de IAM y las cuotas de servicio, para que los miembros del equipo puedan centrarse solo en los parámetros que dependen del cliente, como la simultaneidad reservada de Lambda o los detalles de conexión de la base de datos. Este enfoque centrado es valioso a la hora de incorporar un nuevo cliente.
El diseño modular ayudó a Ricoh a integrar parámetros específicos y funcionalidades personalizadas, como clasificación de documentos patentados definidos por el cliente, extracción de datos personalizada para formularios específicos de la industria o reglas de redacción para la alineación del cumplimiento de la información de identificación personal (PII) en su flujo de trabajo de alta capacidad existente sin interrumpir los procesos establecidos. Este enfoque ayudó al equipo a mantener la eficiencia operativa a través de una implementación automatizada que redujo el tiempo de incorporación de clientes de semanas a días, al tiempo que agregó capacidades avanzadas de IA para el procesamiento de documentos, incluida la clasificación inteligente de documentos y la extracción automatizada de datos de formularios no estructurados.
Detalles de arquitectura
La arquitectura se diseñó con tres objetivos principales: permitir una rápida incorporación de clientes a través de la configuración en lugar de cambios de código, ayudar a alinearse con las regulaciones de atención médica (HIPAA, HITRUST, SOC 2) y proporcionar escalabilidad rentable para volúmenes de documentos variables. Se eligió el enfoque sin servidor para eliminar los gastos generales de administración de la infraestructura y alinear los costos directamente con el uso, y el diseño multiinquilino con colas por cliente equilibra la eficiencia de los recursos con el aislamiento de la carga de trabajo. La decisión de utilizar el Patrón de procesamiento 2 (Amazon Textract y Amazon Bedrock) en lugar de Amazon Bedrock solo fue impulsada por la necesidad de manejar documentos que excedieran las ventanas de contexto de LLM y el requisito de extracción de texto estructurado que pudiera incluirse selectivamente en las indicaciones según el tipo de documento.
La implementación utilizó una arquitectura sin servidor en la que las funciones Lambda se invocan automáticamente al cargar documentos escaneados en Amazon S3. Las funciones Lambda manejan llamadas a los servicios de IA (Amazon Textract y Amazon Bedrock) y envían los atributos capturados junto con sus puntuaciones de confianza a una base de datos de Amazon DynamoDB.
La arquitectura incorpora los principios del marco de buena arquitectura de AWS en varios pilares. Por motivos de seguridad, los datos se cifran en reposo mediante AWS KMS con claves administradas por el cliente y en tránsito mediante TLS 1.2+. Los roles de IAM imponen un acceso con privilegios mínimos, separados por función, con roles separados para la ingesta, el procesamiento y la recuperación de documentos. CloudTrail registra las llamadas a la API para realizar seguimientos de auditoría y CloudWatch Logs captura eventos a nivel de aplicación para el monitoreo de seguridad.
Para mayor confiabilidad, el diseño sin servidor elimina los puntos únicos de falla, con reintentos automáticos y colas de mensajes fallidos (DLQ) que manejan errores transitorios. Para lograr eficiencia en el rendimiento, los límites de simultaneidad de Lambda y la limitación de colas de Amazon Simple Queue Service (Amazon SQS) ayudan a evitar el agotamiento de las cuotas de API y, al mismo tiempo, mantienen un alto rendimiento. Para optimizar los costos, el modelo de pago por uso elimina los costos de los recursos inactivos y las políticas de ciclo de vida de Amazon S3 transfieren automáticamente los documentos procesados a niveles de almacenamiento de menor costo.
Para lograr excelencia operativa, la infraestructura como código que utiliza AWS SAM y CloudFormation permite implementaciones consistentes, y los paneles y alarmas de CloudWatch brindan visibilidad en tiempo real de las métricas de procesamiento y las tasas de error.
Una parte fundamental de la arquitectura es una cola SQS que permite al equipo controlar la velocidad a la que realizan solicitudes a los puntos finales de la API de Amazon Textract y Amazon Bedrock mediante el control de la velocidad de procesamiento de mensajes a través de la configuración de simultaneidad de Lambda y los tiempos de espera de visibilidad de Amazon SQS. Este diseño les ayuda a mantenerse dentro de los límites de la cuota de servicio (como transacciones por segundo para Amazon Textract y solicitudes por minuto para Amazon Bedrock). Además, Amazon SQS facilita sin problemas los reintentos y el envío de mensajes no procesados a un DLQ.
Cada cliente tiene su propia regla de Amazon EventBridge y cola SQS, lo que permite el aislamiento de múltiples inquilinos (lo que ayuda a evitar que el gran volumen de un cliente afecte a otros) y el escalamiento independiente (lo que permite límites de simultaneidad y controles de rendimiento por cliente).
La arquitectura utilizó Amazon S3 para el almacenamiento de documentos. Se crearon diferentes depósitos para gestionar documentos de diversas fuentes, incluidos sistemas de fax, escaneo y SFTP. Las tablas de DynamoDB almacenaron metadatos de documentos y el estado de procesamiento, rastreando las versiones de los documentos y ayudando a evitar múltiples intentos de actualizar el mismo documento simultáneamente. CloudWatch proporcionó monitoreo y registro integrales de tasas de extracción exitosas y anomalías de procesamiento.
La interacción real con los servicios de IA utiliza Amazon Textract para aumentar las indicaciones de Amazon Bedrock con datos estructurados extraídos del documento escaneado. En este caso, el equipo aprovechó su solución anterior basada en Amazon Textract y la utilizó como otra fuente de verdad para los valores extraídos, lo que permite calcular puntuaciones de confianza confiables al comparar los resultados de ambos métodos de extracción. Este enfoque de extracción dual se utilizó durante la fase de implementación inicial para validar la precisión, y el sistema heredado se eliminó gradualmente después de que se estableció la confianza en el nuevo sistema.
Para el procesamiento de documentos, la solución utilizó Amazon Textract para extraer texto de documentos de atención médica de gran tamaño, abordando el desafío de los documentos que excedían las limitaciones de la ventana de contexto de los FM cuando se procesaban como imágenes. Por ejemplo, un registro clínico de 50 páginas excedería la mayoría de las ventanas contextuales de LLM si se enviara como imágenes, pero Amazon Textract lo convierte en texto estructurado que se puede incluir selectivamente en las indicaciones. Amazon Bedrock FM manejó las tareas inteligentes de clasificación y extracción, con instrucciones personalizadas para datos de atención médica diseñadas para identificar tipos de documentos y extraer información específica de atención médica, como identificaciones de miembros, detalles de proveedores e información de reclamos.
Para la clasificación y división de documentos, el equipo utilizó LLM para identificar de forma inteligente los tipos de documentos y dividir paquetes de varios documentos según la información del proveedor o del paciente.
Con respecto a la incorporación rápida de nuevos clientes, el equipo utilizó una aplicación AWS SAM configurable implementada como una pila anidada de CloudFormation para cada cliente. Esto abstrae los detalles de la infraestructura (como la configuración de VPC, las reglas del grupo de seguridad, las políticas de roles de IAM y las cuotas de servicio) y, por lo tanto, los miembros del equipo pueden centrarse solo en los parámetros que dependen del cliente al incorporar un nuevo cliente.
La arquitectura modular ayudó a Ricoh a implementar solo los componentes que necesitaban y, al mismo tiempo, mantuvo la opción de agregar características adicionales como resumen de documentos o integración de bases de conocimientos en el futuro.
Resultados y consecuencias
Ricoh ha podido reducir los precios para un importante cliente del sector sanitario midiendo y logrando reducciones significativas en el trabajo humano necesario para indexar documentos en producción. Los indexadores humanos ahora concentran su tiempo en extracciones y documentos difíciles, y la IA actúa como su socio en el proceso en lugar de realizar la entrada de datos de rutina.
La plataforma empresarial inteligente de Ricoh logró importantes mejoras operativas y ahorros potenciales anuales que superan las 1900 horas-persona a través de la automatización, lo que redujo drásticamente el esfuerzo manual requerido para el procesamiento de documentos.
El sistema de clasificación automatizado distinguió con éxito entre las quejas de los titulares de pólizas de seguros y las reclamaciones de apelaciones, una capacidad crítica para el cumplimiento de la atención médica y la gestión del flujo de trabajo. Estos tipos de documentos tienen diferentes cronogramas regulatorios (las quejas generalmente requieren una resolución de 30 días, las apelaciones requieren 60 días) y deben enviarse a diferentes equipos de procesamiento. La clasificación errónea puede provocar el incumplimiento de plazos, sanciones reglamentarias y la insatisfacción de los miembros.
La solución demostró niveles de precisión de extracción que ayudan a minimizar las sanciones financieras por errores de procesamiento, un resultado crucial en la industria de la salud, fuertemente regulada. Las capacidades de puntuación de confianza permitieron procesos efectivos de revisión humana, lo que ayudó a verificar que los documentos que requerían validación de expertos estuvieran marcados correctamente y al mismo tiempo permitieron que las extracciones de alta confianza se realizaran automáticamente.
Ricoh creó con éxito un marco reutilizable que se puede implementar en múltiples clientes de atención médica, proporcionando una base escalable para expandir sus servicios de procesamiento de documentos a casos de uso futuros. La solución ahora procesa más de 10 000 documentos de atención médica mensualmente con la infraestructura implementada para escalar a 70 000 documentos a medida que crecen las necesidades del cliente.
La Plataforma Empresarial Inteligente logró importantes mejoras operativas, como se detalla en la siguiente tabla.
Indicador clave de rendimiento Antes (heredado) Después (AWS IDP Accelerator) Impacto Tiempo de incorporación 4 a 6 semanas 2 a 3 días >90 % de reducción Rendimiento mensual ~10 000 documentos >70 000 documentos Aumento de 7 veces Horas de ingeniería por implementación ~80 horas <5 horas >90 % de reducción Capacidad de procesamiento limitada 1000 documentos en minutos Maneja picos de tráfico
Mejores prácticas y lecciones aprendidas
La implementación de Ricoh destacó varias mejores prácticas para implementar soluciones IDP en entornos de producción:
Elija el patrón de procesamiento adecuado: la selección del Patrón 2 del Acelerador IDP de AWS brindó la flexibilidad necesaria para los requisitos complejos de documentos de atención médica y, al mismo tiempo, mantuvo el control sobre la selección del modelo y los pasos de procesamiento. Esta elección fue esencial para manejar requisitos únicos de división de documentos y la integración con flujos de trabajo existentes. Utilice un enfoque híbrido que combine OCR con FM: el equipo descubrió que el uso de Amazon Textract para aumentar las indicaciones de Amazon Bedrock con datos estructurados proporcionaba escalabilidad y precisión para documentos de diversos tamaños y complejidad. Este enfoque híbrido de combinar OCR con FM abordó las limitaciones prácticas en torno al tamaño de las ventanas contextuales al procesar documentos como imágenes: Amazon Textract maneja documentos de diferentes tamaños y Amazon Bedrock proporciona una comprensión inteligente del texto extraído, lo que permite tanto escalabilidad (sin límites de tamaño de documento) como precisión (extracción y validación de campo impulsadas por IA). Aprovechar la solución anterior basada en Amazon Textract como otra fuente de verdad durante la fase de validación ayudó al equipo a calcular puntuaciones de confianza confiables sin incurrir en costos adicionales significativos, porque Amazon Textract ya se estaba utilizando para la extracción de texto en la nueva arquitectura. Integre la puntuación de confianza desde el principio: la integración de la puntuación de confianza desde el principio permitió flujos de trabajo efectivos con intervención humana, lo que permitió que el sistema marcara automáticamente extracciones inciertas para su revisión por expertos. Este enfoque equilibró los beneficios de la automatización con los requisitos de precisión del procesamiento de documentos sanitarios. Los umbrales de confianza configurables resultaron esenciales para cumplir con los requisitos de los clientes: ayudaron a los equipos a mantener los atributos capturados incorrectamente por debajo de los SLA acordados y, al mismo tiempo, minimizaron el costo de la revisión manual. Implementar limitación de velocidad con colas SQS: la implementación de una cola SQS para limitar la tasa de llamadas API a los puntos finales de Amazon Textract y Amazon Bedrock ayudó al equipo a mantenerse dentro de los límites de cuota y, al mismo tiempo, facilitó sin problemas los reintentos y el manejo de DLQ. Esta decisión arquitectónica ayudó a prevenir problemas de limitación y mejoró la confiabilidad general del sistema. Estandarizar usando configuración en lugar de código: la estandarización usando configuración en lugar de cambios de código fue un factor clave para la rápida incorporación de clientes. La aplicación configurable AWS SAM implementada como una pila anidada de CloudFormation para cada cliente abstrajo los detalles de la infraestructura, de modo que los miembros del equipo pudieran centrarse solo en los parámetros dependientes del cliente. Este enfoque redujo los esfuerzos de mantenimiento y permitió una rápida incorporación de nuevos clientes. Utilice una arquitectura modular para la integración: la arquitectura modular del acelerador IDP GenAI resultó valiosa para la integración con los sistemas existentes. En lugar de reemplazar los flujos de trabajo establecidos, el motor central IDP-Common ayudó a Ricoh a mejorar su infraestructura actual con capacidades de IA, incluida la clasificación de documentos, la extracción inteligente de campos, la puntuación de confianza y la comprensión del lenguaje natural. Planifique la escalabilidad desde el principio: la planificación de la escalabilidad desde el principio permitió un crecimiento fluido desde la prueba de concepto hasta los volúmenes de producción. Las capacidades de escalamiento automático de la arquitectura sin servidor y el modelo de precios de pago por uso alinearon los costos de infraestructura con el crecimiento del negocio, proporcionando una economía predecible a medida que aumentaban los volúmenes de documentos. La arquitectura manejó picos de tráfico para procesar sin problemas hasta 1000 documentos en unos pocos minutos sin desperdiciar recursos computacionales durante períodos de poco o ningún tráfico.
Empezando
¿Listo para crear su propia solución IDP? El acelerador IDP de AWS GenAI proporciona una base comprobada para implementar la automatización de documentos de nivel de producción:
Explore el acelerador: visite el repositorio del acelerador IDP de GenAI para revisar los patrones de arquitectura, las guías de implementación y el código de muestra. Elija su patrón: revise los múltiples patrones de procesamiento disponibles y seleccione el que mejor se adapte a sus tipos de documentos y requisitos de flujo de trabajo. Comience poco a poco, escale rápidamente: comience con una prueba de concepto utilizando los tipos de documentos más desafiantes, luego use la arquitectura modular para expandirse en toda su organización. Aproveche la experiencia de AWS: conéctese con los arquitectos de soluciones de AWS y el Centro de innovación GenAI para analizar su caso de uso específico y su estrategia de implementación.
Para las organizaciones que procesan grandes volúmenes de documentos complejos, la combinación de arquitectura sin servidor, FM y marcos estandarizados ofrece un camino hacia una implementación rápida y un crecimiento escalable.
Conclusión
La implementación de Ricoh del acelerador IDP AWS GenAI demuestra cómo las empresas pueden superar los límites de escala combinando IA generativa, arquitectura sin servidor y marcos de cumplimiento. El resultado es una incorporación más rápida, una mayor precisión y una reducción de los gastos operativos, todo ello sin comprometer los estándares de cumplimiento (HIPAA, HITRUST, SOC 2) ni el control operativo. Al desarrollar un marco reutilizable en lugar de soluciones de un solo uso, Ricoh transformó el procesamiento de documentos en un servicio escalable.
La capacidad de la plataforma empresarial inteligente para manejar variaciones complejas de documentos de atención médica, proporcionar puntuación de confianza para flujos de trabajo humanos en el circuito y escalar de 10 000 a potencialmente 70 000 documentos mensuales muestra los beneficios prácticos de IDP impulsado por IA generativa en AWS. El marco reutilizable creado por Ricoh ahora se puede implementar en múltiples clientes de atención médica, proporcionando una base para expandir sus servicios de procesamiento de documentos.
Para las organizaciones que enfrentan desafíos similares en el procesamiento de documentos, GenAI IDP Accelerator ofrece un camino probado desde la prueba de concepto hasta las soluciones listas para producción. La combinación de arquitectura sin servidor, múltiples patrones de procesamiento y flexibilidad de integración ayuda a los equipos a crear una automatización de documentos adaptada a sus necesidades específicas mientras utilizan los últimos avances en IA generativa y servicios de AWS. Su historia es una prueba de que, con la base adecuada, la IA no sólo automatiza el trabajo, sino que también puede acelerar el crecimiento.
Para comenzar con GenAI IDP Accelerator, visite el repositorio del proyecto y explore la documentación y las guías de implementación.
Expresiones de gratitud
Un agradecimiento especial a Bob Strahan por su liderazgo del proyecto GenAI IDP Accelerator. También nos gustaría agradecer a Guillermo Tantachuco, Saeideh Shahrokh Esfahani, Mofijul Islam, Suresh Konappanava y Yingwei Yu por sus contribuciones y orientación durante todo el proceso.
Sobre los autores
Rado Fulek
Rado Fulek es ingeniero de software en Ricoh, donde crea plataformas de procesamiento de documentos seguras, escalables y confiables. Anteriormente, llevó a cabo investigaciones algorítmicas de vanguardia, publicó en las principales revistas sobre algoritmos y descubrió algoritmos eficientes, cuya existencia había estado abierta durante décadas. Rado aporta una mentalidad de resolución de problemas a la IA, haciendo hincapié en soluciones prácticas y bien diseñadas que cierran la brecha entre la investigación de vanguardia y los sistemas de producción del mundo real.
Earl Bovell
Earl Bovell es arquitecto de soluciones senior en Amazon Web Services (AWS), donde se desempeña como asesor técnico y estratega ayudando a los clientes empresariales a resolver problemas comerciales aprovechando la tecnología de AWS.
Vincil Obispo
Vincil Bishop es arquitecto senior de aprendizaje profundo en el Centro de innovación de IA generativa de AWS. Tiene más de 25 años de experiencia en la industria de TI y tiene un doctorado en Ingeniería de Sistemas. Vincil se especializa en diseñar e implementar soluciones de inteligencia artificial que ayudan a las organizaciones a resolver sus desafíos comerciales más difíciles.
Jordan Ratner
Jordan Ratner es estratega sénior de IA generativa en el Centro de innovación de IA generativa de AWS, donde se asocia con líderes de alto nivel y equipos de ingeniería para diseñar, crear prototipos e implementar soluciones de IA generativa.