Intelligenza artificiale e gestione documentale: come l'AI entra nei processi di LogicalDOC

L'intelligenza artificiale sta diventando una parte sempre più integrante di tutti i sistemi di gestione documentale, ma LogicalDOC non si limita ad aggiungere funzionalità basate sull'IA. Il nostro approccio integra modelli, dati e automazione direttamente nei processi che i nostri utenti utilizzano per archiviare, classificare, cercare e utilizzare i propri documenti.
L'integrazione delle funzionalità di intelligenza artificiale viene gestita attraverso una suite di componenti che collegano in modo organico la preparazione dei dati, i modelli di apprendimento automatico, l’elaborazione del linguaggio naturale e l’automazione documentale.

Alcuni esempi

Uno degli esempi più immediati è quello relativo alla ricerca semantica. Nella ricerca tradizionale,  l'utente tende a cercare documenti utilizzando parole o espressioni che devono comparire, almeno in qualche forma, all’interno del contenuto indicizzato. Con gli embedding, invece, il testo viene trasformato in una rappresentazione numerica, che permette di confrontare contenuti in base alla loro vicinanza semantica.

In LogicalDOC, uno “schema di embedding” collega il modello utilizzato per generare gli embedding con il Vector Store che li ospita. Documenti di query e di ricerca vengono rappresentati nello stesso spazio vettoriale, consentendo di individuare contenuti concettualmente simili anche quando non utilizzano esattamente gli stessi termini.

L’intelligenza artificiale può intervenire anche nella classificazione e nell’arricchimento dei documenti.
I “Filler” di LogicalDOC consentono infatti di popolare informazioni strutturate utilizzando differenti strategie. Un documento può, ad esempio, essere associato a tag attraverso un modello “zero-shot” oppure confrontando il suo contenuto con documenti già classificati e semanticamente simili.

Questo approccio può risultare particolarmente interessante nei repository di grandi dimensioni, dove una parte significativa del lavoro non consiste semplicemente nella conservazione dei file, ma nel renderli più facili da identificare, organizzare e recuperare. Per quanto riguarda l’analisi visuale dei documenti, LogicalDOC può impiegare modelli di object detection della famiglia YOLO per individuare elementi specifici all’interno di immagini o pagine scansionate, quali firme, timbri, loghi, tabelle o determinate aree del documento. Le regioni rilevate possono successivamente essere elaborate tramite OCR e utilizzate per valorizzare gli attributi documentali.

Anche la sintesi automatica dei contenuti rientra in questa architettura. Nello specifico, LogicalDOC distingue tra un approccio estrattivo — che seleziona le frasi più rappresentative dal testo originale — e un approccio generativo basato sull’API di ChatGPT. Nel primo caso il sistema utilizza MiniLM per rappresentare semanticamente le frasi e l’algoritmo MMR per selezionare quelle più rilevanti, riducendo al minimo le ripetizioni.

I nostri obiettivi

Un aspetto chiave della progettazione di LogicalDOC è la flessibilità nell’utilizzare tecnologie differenti in funzione dell’attività specifica o del problema riscontrato. Alcuni componenti sono addestrabili sui contenuti propri di un’organizzazione, mentre altri sfruttano modelli pre-addestrati; alcune attività di elaborazione vengono eseguite localmente, mentre altre possono appoggiarsi a servizi esterni.

L’obiettivo principale di LogicalDOC è quello di non utilizzare l’Intelligenza Artificiale come un elemento separato dal sistema documentale, ma inserirla nei punti in cui possa realmente aiutare a interpretare, organizzare e recuperare meglio le informazioni.
In questa prospettiva, l'evoluzione del document management passa sempre meno dalla semplice conservazione dei file e sempre più dalla capacità di comprendere i documenti e trasformarne il contenuto in informazioni utilizzabili nei processi aziendali.