Il problema
I bilanci arrivano in grandi volumi e nei formati più diversi. Gli analisti ricopiavano le cifre e le controllavano a mano: un lavoro lento e costoso, che non stava dietro alla crescita dei volumi.
Caso studio
Estrazione automatica dei dati di bilancio:
Per un cliente del settore finanziario, una pipeline di OCR e LLM estrae i dati da oltre 2.500 documenti finanziari al giorno e su ognuno esegue circa 30 controlli di validazione. Gira su FastAPI e Kafka, con 16 worker sull'OpenShift del cliente. I documenti che superano tutti i controlli passano in automatico, e il lavoro manuale è sceso dell'84%.
I numeri
2.500+documenti al giorno
~30controlli di validazione per documento
−84%lavoro manuale
Cosa abbiamo costruito
La pipeline fa l'OCR, estrae i campi con un LLM e poi esegue circa 30 controlli di validazione per documento (per esempio, totali che devono quadrare). Quello che supera tutti i controlli viene approvato senza passaggi manuali, il resto va in revisione. Ero l'architetto della pipeline, in un team di 5 persone.
Architettura e stack
- Servizi FastAPI, con Kafka per le code e il controllo del carico
- 16 worker sull'OpenShift del cliente (piattaforma container on-premise)
- Estrazione OCR + LLM, con l'LLM su Azure OpenAI nel cloud UE del cliente
- Audit trail su ogni documento in produzione, nessun dato sensibile nei log
Risultati
- Oltre 2.500 documenti al giorno
- Circa 30 controlli di validazione per documento
- −84% di lavoro manuale
Cosa significa per la tua azienda
Con i dati finanziari non basta estrarre con un LLM. Sono i controlli di validazione a farti approvare in automatico senza ricontrollare tutto. Se gestisci migliaia di documenti al giorno, un'architettura a code (Kafka + worker scalabili) tiene stabile il throughput e può girare sulla tua infrastruttura.
Domande
L'AI estrae i dati dai bilanci in modo affidabile?
Sì, se ogni estrazione passa dalla validazione. Questa pipeline unisce OCR e LLM ed esegue circa 30 controlli su ogni documento. Solo quelli che li superano tutti vengono approvati in automatico: l'affidabilità viene dai controlli.
Quanti documenti al giorno può gestire una pipeline LLM?
Questa ne elabora oltre 2.500 al giorno con 16 worker dietro Kafka. Per aumentare la capacità basta aggiungere worker, perché ogni documento è un messaggio indipendente in coda.
Può girare on-premise o su OpenShift?
Sì. La pipeline è fatta di servizi FastAPI e Kafka, containerizzati e rilasciati sulla piattaforma OpenShift del cliente. Così l'elaborazione dei documenti resta dentro un'infrastruttura che la sicurezza della banca controlla già.
Quanto lavoro manuale elimina?
Il lavoro manuale è sceso dell'84%. Gli analisti non ricopiano più ogni bilancio: rivedono solo i documenti che non superano un controllo, e sanno già quale.
Correlati
Prossimo passo
Ricopi ancora i dati dai PDF? Vediamo quanto ne può estrarre l'AI.
Raccontami il processo. Lo definiamo in una call gratuita, poi una versione funzionante è operativa entro 10 giorni.
Prenota una call di analisi