El procesamiento de documentos en el sector inmobiliario es complejo y altamente manual, lo que afecta las decisiones comerciales críticas a escala, lo que lo hace propicio para la automatización. Built Technologies, un proveedor de software de financiación inmobiliaria, procesa más de 500.000 millones de dólares en proyectos inmobiliarios. La empresa implementó un motor de procesamiento de documentos impulsado por IA en Amazon Bedrock y el Acelerador de procesamiento inteligente de documentos (IDP) de AWS. Ese motor ahora sirve como base para productos agentes a lo largo del ciclo de vida inmobiliario. En esta publicación, compartimos la necesidad de inteligencia documental impulsada por IA en el sector inmobiliario y un análisis profundo de la arquitectura para construirla.
La financiación inmobiliaria se basa en documentos: paquetes de giros, contratos de préstamo, facturas, certificados de seguro, informes de inspección y muchos más. Cada uno contiene información que los prestamistas y las partes interesadas deben revisar, validar y actuar en consecuencia. Estos documentos suelen ser largos, inconsistentes, específicos de un dominio y difíciles de procesar con la automatización tradicional.
Para Build, la inteligencia documental no es una utilidad administrativa. Es una capacidad de IA horizontal que constituye la base de una nueva generación de productos agentes que se lanzan a lo largo del ciclo de vida de las finanzas inmobiliarias. Ya sea que un agente esté revisando un dibujo de construcción, analizando un acuerdo de préstamo, validando una cobertura de seguro, resumiendo un memorando de oferta o identificando excepciones en una cartera, necesita la misma capacidad básica: la capacidad de comprender documentos con contexto, precisión y trazabilidad.
Para construir esa base, Built se asoció con el Centro de innovación de IA generativa de AWS (GenAIIC), el socio AND Digital de AWS y los equipos de cuentas de AWS para crear un motor de procesamiento de documentos escalable impulsado por IA.
El resultado es una solución de inteligencia de documentos reutilizable que puede clasificar, dividir, extraer, evaluar y razonar documentos financieros inmobiliarios complejos. Reduce los flujos de trabajo que antes tomaban días a minutos, admite cientos de tipos de documentos y brinda a los equipos técnicos y expertos de la industria un entorno compartido para crear y mejorar procesadores de documentos.
Por qué las finanzas inmobiliarias necesitan inteligencia documental basada en inteligencia artificial
La financiación inmobiliaria está repleta de documentos, está fragmentada y es muy contextual. Una sola transacción o activo puede involucrar cientos o miles de páginas de documentación producida por diferentes partes, en diferentes formatos, en diferentes etapas del ciclo de vida del activo.
Algunos documentos están estandarizados, como los certificados ACORD 25 o los formularios gubernamentales. Otros son muy variables, como memorandos de oferta, acuerdos de préstamo, tasaciones, modelos financieros basados en Excel y planes y especificaciones. Muchos contienen tablas anidadas, páginas escaneadas, imágenes incrustadas, etiquetas inconsistentes, lenguaje legal, anotaciones escritas a mano y terminología específica del prestatario o prestamista.
Las capacidades de procesamiento de documentos existentes de Build ayudaron a la empresa a pasar del trabajo manual a la extracción automatizada de muchos tipos de documentos. El equipo había establecido 26 procesadores para extracción, división y clasificación mediante reconocimiento óptico de caracteres (OCR) y aprendizaje automático (ML) tradicional. Ese enfoque funcionó para casos de uso más limitados donde los campos eran explícitos y los diseños predecibles.
Pero a medida que Built Technologies amplió su hoja de ruta de IA a lo largo del ciclo de vida inmobiliario, el equipo necesitaba algo más flexible e inteligente. Necesitaban una solución que pudiera soportar más de 250 tipos de documentos, manejar millones de documentos y potenciar a los agentes que pudieran razonar sobre los documentos en lugar de simplemente extraer texto de ellos.
Construido enfrentó varios desafíos:
Volumen y variedad de documentos: Build procesa más de 250 tipos de documentos en préstamos para la construcción, finanzas inmobiliarias, gestión de activos, cumplimiento y flujos de trabajo de cartera, entre otros. Los documentos individuales pueden exceder las 500 páginas. Estructuras de documentos complejas e inconsistentes: muchos documentos contienen tablas anidadas, imágenes incrustadas, páginas escaneadas, diseños personalizados y terminología no estándar. Extracción dependiente del contexto: la información importante a menudo está implícita, distribuida en varias secciones o expresada en un lenguaje específico de dominio en lugar de presentarse como un campo claramente etiquetado. Requisitos de alta confianza: Construido requirió más del 95 por ciento de confianza en los flujos de trabajo de clasificación y extracción para respaldar el uso de producción en procesos financieros y sensibles al cumplimiento. Escala y extensibilidad: Build necesitaba una solución que pudiera admitir no solo un flujo de trabajo de producto, sino también muchos productos de IA agentes que se lanzaban a lo largo del año.
El objetivo era hacer que la comprensión de documentos fuera una capacidad de IA reutilizable en todo el ecosistema de productos de Built.
De la extracción basada en OCR a la comprensión agente de documentos
La extracción de documentos tradicional basada en OCR y aprendizaje automático generalmente funciona identificando el texto y cotejándolo con los campos, etiquetas, diseños o plantillas anteriores esperados. Esto puede resultar eficaz para documentos estructurados, pero es limitado cuando la tarea requiere juicio, contexto o razonamiento de dominio. Por ejemplo, encontrar el monto de un préstamo, el número de factura o la fecha de vencimiento de una póliza puede ser una tarea de extracción relativamente directa. El campo suele ser explícito, etiquetado y ubicado cerca de texto predecible. Sin embargo, encontrar cláusulas en un contrato de préstamo es diferente.
Los pactos a menudo no se presentan en una tabla sencilla denominada “Pactos”. Pueden aparecer en varias secciones de un acuerdo extenso. Pueden estar incorporados en lenguaje legal, definidos mediante referencias a otras secciones o expresados como obligaciones, restricciones, requisitos de presentación de informes, umbrales financieros, desencadenantes de incumplimiento o soluciones del prestatario. Una búsqueda de la palabra clave “pacto” podría no captar la sustancia. Un modelo de extracción tradicional puede encontrar la palabra pero no entender la obligación.
Un flujo de trabajo de documentos agente puede abordar el problema de manera diferente. En lugar de extraer únicamente campos del texto, el sistema puede interpretar el documento en contexto. Puede identificar secciones relevantes, razonar definiciones y obligaciones, distinguir entre requisitos y excepciones, extraer resultados estructurados y proporcionar evidencia de respaldo para su revisión.
Para un acuerdo de préstamo, un flujo de trabajo agente podría:
Identifique el tipo de documento y la estructura del acuerdo relevante. Localice secciones relacionadas con las obligaciones del prestatario, informes financieros, restricciones, incumplimientos y soluciones. Inferir qué cláusulas representan pactos, incluso cuando no estén etiquetadas explícitamente. Extraiga el nombre del pacto, requisito, umbral, frecuencia, período de vigencia, responsable y consecuencia del incumplimiento. Proporcione referencias al documento fuente para revisión humana. Envíe los resultados ambiguos o de baja confianza a un experto en la materia. Capture correcciones y vuelva a introducirlas en flujos de trabajo de esquemas, indicaciones y evaluación.
Este es el cambio que Build necesita: de la extracción de documentos a la comprensión de los mismos. El mismo patrón se aplica a la financiación inmobiliaria. Los agentes deben comprender si la cobertura de seguro satisface los requisitos, si un paquete de retiro contiene la documentación requerida, si una tasación respalda los supuestos de suscripción, si un memorando de oferta contiene indicadores clave de riesgo o si un documento de cartera incluye excepciones que requieren atención. En cada caso, el documento no es sólo una fuente de texto. Es una fuente de contexto empresarial.
Una solución horizontal para la hoja de ruta de IA agente de Built Technologies
Build diseñó la nueva solución de inteligencia documental como una capacidad horizontal en lugar de una solución de propósito único. El primer caso de uso de producción se centró en paquetes de retiro de préstamos para construcción comercial, donde los prestatarios presentan colecciones de documentos para solicitar desembolsos de fondos durante proyectos de construcción. Los paquetes de sorteos son un campo de pruebas sólido porque son grandes, variables, urgentes y operativamente importantes.
Sin embargo, la solución fue diseñada intencionalmente para respaldar la financiación inmobiliaria en general. Las mismas capacidades de clasificación, división, extracción, evaluación y revisión humana se pueden reutilizar en múltiples agentes y flujos de trabajo, incluidos:
Dibuje agentes de revisión que clasifiquen el contenido de los paquetes, identifiquen documentos faltantes, extraigan datos de facturas y exenciones de gravámenes, y marquen excepciones. Agentes de acuerdos de préstamo que identifican cláusulas, obligaciones de presentación de informes, umbrales financieros, restricciones del prestatario y disposiciones de incumplimiento. Agentes de seguros que validan certificados de seguros, declaraciones de pólizas, límites de cobertura, endosos, exclusiones y fechas de vencimiento. Agentes aseguradores que resumen memorandos de oferta, tasaciones, listas de alquileres, presupuestos y modelos financieros. Agentes de gestión de activos que supervisan los paquetes de informes continuos, identifican cambios y exponen los riesgos a nivel de cartera. Agentes de cumplimiento que inspeccionan los formularios, permisos, informes de inspección y documentación reglamentaria requeridos.
Cada uno de estos agentes depende de la misma capacidad fundamental: convertir documentos no estructurados, inconsistentes y de gran volumen en inteligencia estructurada, validada y explicable.
Al hacer del procesamiento de documentos una capacidad de solución compartida, Built puede acelerar su hoja de ruta de IA sin reconstruir los canales de extracción para cada producto. Los nuevos agentes pueden reutilizar la misma infraestructura para la ingesta, clasificación, gestión de esquemas, extracción, evaluación y revisión.
Análisis profundo de la arquitectura: Acelerador de procesamiento inteligente de documentos y Amazon Bedrock
Creado en asociación con AWS GenAIIC y AND Digital para crear la solución utilizando el acelerador de procesamiento inteligente de documentos (IDP) de AWS como base. La solución utiliza Amazon Bedrock para clasificación, división, generación de esquemas, extracción, evaluación y razonamiento de documentos impulsados por IA generativa.
La solución utiliza una canalización de varias etapas orquestada por AWS Step Functions. Cada documento pasa por una secuencia definida de etapas: OCR, clasificación y división, extracción, evaluación y validación de reglas opcional. Cada etapa funciona con una función AWS Lambda discreta. Esta sección recorre ese proceso utilizando un ejemplo representativo: un paquete de dibujo de construcción comercial de 150 páginas que llega como un único PDF que contiene facturas, exenciones de gravámenes, certificados de seguro y una carta de presentación sin ningún orden en particular.
En un nivel alto, el oleoducto funciona de la siguiente manera. Un documento cargado en un depósito de entrada de Amazon Simple Storage Service (Amazon S3) emite un evento de Amazon EventBridge. Una función Lambda de remitente de cola registra el evento en una tabla de seguimiento de Amazon DynamoDB y coloca un mensaje en una cola de Amazon Simple Queue Service (Amazon SQS). Una función Lambda del procesador de cola administra la simultaneidad a través de un contador atómico de DynamoDB y, cuando hay capacidad disponible, inicia una ejecución de AWS Step Functions para el documento. Luego, la máquina de estado ejecuta las etapas de procesamiento en orden: OCR, luego clasificación y división, luego extracción, luego evaluación y finalmente un paso de resultados del proceso.
La extracción se ejecuta dentro de un estado de Mapa de funciones de pasos, que es el mecanismo que permite que la solución procese secciones clasificadas en paralelo. Cuando el paquete de extracción de 150 páginas se divide en sus documentos constituyentes, cada sección recibe su propia invocación de extracción que se ejecuta simultáneamente con las demás. El tiempo total de procesamiento está limitado por la sección individual más larga y no por la suma de todas las secciones. Esta es una de las razones por las que los flujos de trabajo que antes tardaban días ahora finalizan en minutos. Los resultados se escriben en un depósito de salida de S3 y AWS AppSync ofrece actualizaciones de estado en tiempo real a la interfaz de usuario a través de suscripciones GraphQL.
Experiencia en ingesta y revisión de documentos.
Y Digital creó una interfaz de usuario personalizada basada en React autenticada a través de Amazon Cognito. La interfaz de usuario brinda a los usuarios un lugar central para cargar documentos, administrar procesadores, definir esquemas, revisar resultados de extracción, comparar versiones e inspeccionar puntuaciones de confianza.
La interfaz de usuario personalizada era importante porque Build necesitaba que la solución fuera compatible tanto con los usuarios técnicos como con los expertos en la materia empresarial. La inteligencia documental no puede ser gestionada únicamente por equipos de ingeniería. Las personas que mejor entienden los documentos suelen ser expertos en préstamos, equipos de operaciones, especialistas en cumplimiento, gerentes de productos y equipos de atención al cliente.
Cuando un usuario carga un paquete de sorteo, el documento se almacena en Amazon S3 a través de URL prefirmadas y el evento de carga de Amazon EventBridge pone en marcha el proceso. La capa de concurrencia (el contador atómico de DynamoDB emparejado con la cola SQS) mantiene la tasa de ejecuciones de Step Functions dentro de los límites de los servicios de Amazon Bedrock y Amazon Textract. Esto es lo que permite que la misma ruta maneje tanto una única carga ad hoc como una ejecución por lotes de 50.000 documentos sin cambios.
OCR y extracción estructural.
Cuando los documentos ingresan al proceso, AWS Lambda activa Amazon Textract para extraer texto, tablas, formularios, firmas y jerarquía estructural. Textract proporciona la estructura de documentos en la que se basan los flujos de trabajo de IA generativos posteriores para su clasificación y extracción. Para documentos grandes, el sistema procesa las páginas individualmente, lo que permite la paralelización pero requiere una gestión cuidadosa de la concurrencia y la aceleración a escala.
La etapa de OCR normaliza su salida en una estructura consistente que consumen las etapas posteriores, registrando la ubicación del texto sin formato, el texto analizado y la imagen de la página para cada página en Amazon S3:
La solución también puede utilizar Amazon Bedrock como backend de OCR alternativo para documentos en los que un modelo con capacidad de visión lee la página de manera más confiable que el OCR tradicional, como escaneos de baja calidad o anotaciones escritas a mano densas. El backend de OCR es una opción de configuración en lugar de un cambio de código, por lo que los equipos pueden seleccionar Textract o Bedrock por procesador.
Clasificación y división inteligentes
Después del procesamiento de OCR, el flujo de trabajo de clasificación utiliza Amazon Bedrock para determinar los tipos de documentos e identificar límites dentro de los archivos PDF combinados. Esto es especialmente importante en el ámbito de la financiación inmobiliaria, donde un único paquete puede contener muchos documentos en un orden impredecible. En lugar de requerir un divisor de documentos separado con limitaciones rígidas de páginas, la solución identifica los documentos constituyentes dentro de paquetes grandes y preserva su relación con la transacción más amplia.
La clasificación se realiza mediante un mensaje configurable que enumera los tipos de documentos disponibles y un conjunto de ejemplos. Un delimitador de caché de aviso separa las instrucciones estáticas del texto del documento para que la parte estática se pueda reutilizar en todas las solicitudes:
El marcador <> es lo que hace que esto sea eficiente a escala de Construido. Todo lo que está antes del delimitador de caché, como las definiciones de clase y los ejemplos, es idéntico para cada documento que maneja un procesador, por lo que Amazon Bedrock lo almacena en caché y lo reutiliza en todas las solicitudes. Sólo el texto del documento después del marcador cambia de una invocación a la siguiente. Para un procesador de paquetes de dibujo que define una docena o más de clases de documentos con ejemplos, esto evita reprocesar las mismas instrucciones en cada página de cada paquete.
La etapa de división de documentos produce un resultado estructurado que asigna rangos de páginas a tipos de documentos. Para el paquete de dibujo de ejemplo, el resultado agrupa las páginas en secciones etiquetadas:
Cada grupo de secciones se convierte en una tarea independiente en el estado Mapa de funciones de pasos y la extracción se ejecuta según el esquema específico de ese tipo de documento.
Generación y extracción de esquemas dinámicos.
Una capacidad clave de la solución es la generación de esquemas dinámicos. Los usuarios pueden cargar ejemplos de un nuevo tipo de documento y Amazon Bedrock genera un esquema de extracción propuesto: los campos, estructuras y resultados que deben capturarse de ese documento. Los expertos en la materia pueden luego refinar el esquema, probarlo con ejemplos, comparar resultados entre versiones de modelos y crear nuevas versiones de procesador.
Internamente, cada tipo de documento se define mediante un esquema JSON y la descripción escrita para cada campo pasa a formar parte del mensaje de extracción. De aquí proviene gran parte de la precisión de la solución: una descripción de campo que incluye dónde suele aparecer el valor y cómo se llama guía el modelo de manera mucho más efectiva que un nombre de campo solo. Un esquema de exención de gravamen, por ejemplo, captura el tipo de exención, el contratista, el proyecto, el período aplicable, el monto y cualquier excepción:
La anotación x-aws-idp-document-type vincula el esquema con la salida de clasificación. Cuando la clasificación etiqueta las páginas 7 y 8 como LienWaiver, la etapa de extracción carga este esquema y genera un mensaje a partir de las descripciones de los campos y el texto OCR para esas páginas. Cuando ayuda una base adicional, los equipos pueden adjuntar algunos ejemplos a una clase (un documento de muestra junto con sus atributos esperados) para demostrar el resultado que desean para un diseño inusual.
Este enfoque basado en esquemas también es lo que hace que sea práctico admitir más de 250 tipos de documentos. En lugar de crear manualmente cada esquema, los equipos utilizan la capacidad de descubrimiento del Acelerador para generar un primer borrador a partir de documentos de muestra: cargue uno o más ejemplos y Amazon Bedrock propondrá un esquema con nombres de campo, tipos y descripciones para que un experto lo refine. Para la incorporación masiva, la solución puede agrupar una gran colección de documentos de muestra por similitud y proponer un esquema para cada grupo.
Dado que el esquema, las indicaciones y el modelo son parámetros de la configuración, Build puede aplicar una estrategia de modelo flexible. Para documentos sencillos, como facturas estándar o certificados de seguro, los equipos pueden seleccionar modelos más pequeños y rápidos, como Amazon Nova Lite. Para documentos que requieren un razonamiento más profundo o una interpretación de diseño más compleja, como acuerdos de préstamo o memorandos de oferta, pueden seleccionar modelos más grandes como Anthropic Claude disponible a través de Amazon Bedrock. La solución utiliza el modelo correcto para el documento y el flujo de trabajo correctos en lugar de forzar cada caso de uso a través de un único enfoque de extracción.
Puntuación de confianza, revisión humana y ciclos de retroalimentación
Cada resultado de extracción incluye puntuación de confianza a nivel de campo. Construido requiere más del 95 por ciento de confianza en los flujos de trabajo de producción clave, y los resultados por debajo del umbral requerido se envían a revisores humanos.
Las puntuaciones de confianza provienen de una etapa de evaluación específica y no de la llamada de extracción en sí. Después de la extracción, una invocación separada de Amazon Bedrock compara los valores extraídos con el documento fuente y el texto OCR y produce, para cada campo, una puntuación de confianza entre 0 y 1, una breve explicación y la ubicación de la evidencia de respaldo en la página. Para la exención de gravamen en el paquete de ejemplo, la evaluación podría arrojar:
En este ejemplo, el tipo de exención supera el umbral pero el monto exento no, por lo que el documento se envía para revisión. Los revisores trabajan en una interfaz de panel dividido: la imagen de la página original en el panel izquierdo, con superposiciones de cuadros delimitadores extraídos de la geometría de evaluación que resaltan dónde se encontró cada valor, y los campos extraídos en el panel derecho, codificados por colores para que se destaquen los valores por debajo del umbral de confianza. Los revisores corrigen las clasificaciones, actualizan los valores extraídos y marcan las secciones como completas. El acceso basado en roles mantiene esto ordenado a escala. Los revisores manejan los documentos en su cola, mientras que los administradores administran las configuraciones y los usuarios.
Es importante destacar que esas correcciones no se limitan al documento individual. Se retroalimentan a los conjuntos de datos de referencia de evaluación de la solución, por lo que el mismo esfuerzo del revisor que corrige un paquete también mejora los esquemas, indicaciones y ejemplos utilizados para el siguiente. Este proceso humano integrado permite que Build escale la automatización y, al mismo tiempo, preserva la supervisión de expertos donde más importa.
Razonamiento sobre documentos
La extracción responde a la pregunta de qué contiene un documento. Muchos flujos de trabajo de financiación inmobiliaria también deben responder si un documento cumple un requisito. Ésta es la diferencia entre quitar un límite de cobertura de un certificado de seguro y determinar si esa cobertura cumple con los términos del contrato de préstamo. La solución respalda esto a través de un flujo de trabajo de validación de reglas que evalúa los documentos con respecto a las reglas comerciales en dos pasos.
Primero, un paso de extracción de hechos envía las secciones relevantes del documento a Amazon Bedrock y recopila los hechos relacionados con un área de política determinada, junto con referencias al lugar donde se encontró cada hecho. En segundo lugar, un paso de orquestación razona sobre esa evidencia seleccionada y devuelve una determinación (evidencia conforme, no conforme o insuficiente) con citas de las secciones de respaldo. Las reglas en sí se expresan como preguntas sencillas agrupadas en clases de políticas, lo que las mantiene en un lenguaje que los expertos en la materia pueden utilizar:
Separar la investigación de los hechos del juicio es lo que hace que esto sea confiable en documentos largos y densos. El paso de extracción de hechos concentra la atención del modelo en localizar cláusulas relevantes en un acuerdo de cien páginas. El paso de orquestación puede luego sopesar la evidencia sin distraerse con el resto del documento. Este es el mismo patrón de agente descrito anteriormente: identificar secciones relevantes, razonar sobre obligaciones y proporcionar evidencia para su revisión.
Por qué los esquemas y evaluaciones colaborativos son fundamentales
Para que el procesamiento de documentos por agentes funcione en producción, los equipos necesitan más que indicaciones. Necesitan definiciones compartidas de lo que se debe extraer, cómo es una respuesta correcta, cómo se mide la precisión y cómo se prueban los cambios antes de la implementación.
Esto es especialmente importante en la financiación inmobiliaria porque muchas tareas de extracción son específicas de un dominio. Un modelo genérico puede entender las palabras de un contrato de préstamo, tasación o certificado de seguro, pero los equipos de Built necesitan resultados que se alineen con el significado comercial de esos documentos.
La solución brinda a los equipos técnicos y no técnicos un espacio de trabajo compartido para:
Diseño de esquemas: definición de los campos, estructuras anidadas y salidas que necesitan los agentes. Pruebas de extracción: ejecutar documentos a través de procesadores y comparar resultados. Flujos de trabajo de evaluación: medición de la precisión frente a ejemplos etiquetados y respuestas esperadas. Gestión de versiones: seguimiento de cambios en esquemas, solicitudes y configuraciones de modelos. Comentarios humanos: capturar las correcciones de los revisores y utilizarlas para mejorar el rendimiento futuro.
Esta colaboración es lo que hace que el sistema sea escalable. Los expertos de la industria pueden dar forma a la capa de comprensión del documento sin necesidad de que cada cambio se convierta en un proyecto de ingeniería. Los equipos de ingeniería pueden poner en práctica esas definiciones a través de esquemas versionados, evaluaciones, orquestación de modelos y flujos de trabajo de implementación.
El resultado es una solución de inteligencia documental que mejora con el tiempo y puede admitir una amplia cartera de agentes de IA.
Resultados e impacto
La solución de inteligencia documental basada en IA de Build crea la base para flujos de trabajo de financiación inmobiliaria más rápidos, precisos y escalables.
Los resultados clave incluyen:
De días a minutos: los flujos de trabajo de clasificación y extracción que antes tardaban entre 3 y 9 días ahora se pueden completar en minutos por paquete. Soporte para documentos complejos: la solución puede procesar paquetes de cientos de páginas, tablas anidadas, imágenes incrustadas, contenido escaneado y diseños no estándar que son difíciles para los sistemas basados en OCR. Escale entre tipos de documentos: la arquitectura está diseñada para admitir más de 250 tipos de documentos en flujos de trabajo de finanzas inmobiliarias. La carga de trabajo de producción se está ampliando a 20 millones de documentos por mes, 300.000 documentos por semana y más de 50.000 ejecuciones de procesamiento por lotes. Reutilización horizontal entre agentes: las mismas capacidades de inteligencia de documentos pueden impulsar múltiples productos de inteligencia artificial de agentes en préstamos para construcción, seguros, suscripción, gestión de activos, cumplimiento e inteligencia de cartera. Rendimiento a escala de producción: el equipo validó la canalización mediante grandes ejecuciones de procesamiento por lotes y pruebas a escala de producción, incluida la resolución de los límites de limitación de Amazon Textract al procesar documentos grandes con alta concurrencia. Calidad basada en la evaluación: la integración de Build con los flujos de trabajo de evaluación permite a los equipos probar cambios de esquema, comparar el comportamiento del modelo y mantener umbrales de confianza antes de implementar los cambios en producción. Confianza humana: los resultados ambiguos o de baja confianza se envían a los revisores, lo que preserva la supervisión de expertos y reduce el esfuerzo manual.
Conclusión
La colaboración entre Built Technologies, AWS GenAIIC y AND Digital demuestra cómo la IA generativa puede transformar los flujos de trabajo con uso intensivo de documentos en las finanzas inmobiliarias.
Al utilizar AWS Intelligent Document Processing Accelerator y Amazon Bedrock, Build desarrolló una solución de inteligencia de documentos reutilizable que demuestra cómo las empresas financieras inmobiliarias pueden modernizar los flujos de trabajo de procesamiento de documentos. Para Build, esta capacidad es fundamental para su estrategia de IA. La inteligencia documental es la capa horizontal que permite a los agentes comprender los flujos de trabajo de finanzas inmobiliarias, detectar excepciones, acelerar las decisiones y convertir documentos no estructurados en acciones comerciales confiables.
Para obtener más información sobre el uso de Amazon Bedrock para el procesamiento de documentos, consulte Procesamiento de documentos con IA generativa en AWS.
Para obtener más información sobre el programa GenAIIC, consulte el Centro de innovación en IA generativa de AWS.
Para explorar las capacidades de asociación de AND Digital con AWS, consulte la alianza de AND Digital con AWS.
Built es una plataforma de operaciones financieras impulsada por IA para las industrias de bienes raíces y construcción. Al conectar proveedores de capital, propietarios, desarrolladores y constructores, Built automatiza los flujos de trabajo, acelera el flujo de dinero e información y desbloquea conocimientos para tomar decisiones más inteligentes. Más de 300 de las principales instituciones financieras y miles de propietarios y constructores confían en Build para gestionar cientos de miles de millones en actividades inmobiliarias y de construcción, para que usted dedique menos tiempo al proceso y más tiempo al progreso. Obtenga más información en getbuilt.com.
Sobre los autores
Dipanshu Jain
Dipanshu es estratega sénior de IA en el Centro de innovación de IA generativa de AWS, donde trabaja con ejecutivos y constructores que impulsan la interacción con los clientes en la intersección de la estrategia y la implementación de la IA. Trabaja en servicios de salud, seguros y SaaS empresarial, asociándose con clientes y socios de AWS para llevar las soluciones desde el prototipo hasta la producción.
Vincil Bishop, PhD
Vincil es arquitecto sénior de aprendizaje profundo en AWS GenAIIC, donde brinda liderazgo técnico en procesamiento inteligente de documentos, implementación de modelos básicos y arquitecturas de IA generativas de producción.
Thomas Schlegel
Thomas es vicepresidente de ingeniería en Built Technologies, donde lidera iniciativas de ingeniería centradas en inteligencia artificial, automatización e innovación de productos en el ámbito de las finanzas inmobiliarias.
Kiley Poole
Kiley es gerente senior de ingeniería en Built Technologies, donde gestiona iniciativas de ingeniería centradas en inteligencia artificial, automatización e innovación de productos en el ámbito de las finanzas inmobiliarias.
Steve Van De Steene
Steve es director de gestión de productos en AND Digital, donde ayuda a las organizaciones a adoptar productos y soluciones compatibles con IA.
Nick Federovich
Nick es el administrador de cuentas empresariales de Built Technologies en AWS y brinda liderazgo intelectual y alinea programas y recursos técnicos para respaldar el uso de IA de Build.
Kyle Mabry
Kyle es el arquitecto sénior de soluciones designado para tecnologías integradas, lidera el TFC de la industria ECRT y ofrece sesiones técnicas para habilitar la IA integrada en AWS.