Behördebot KI

BehördeBot es un sistema modular con un backend en Flask (procesamiento central) y un frontend en Streamlit (interfaz). Los usuarios suben formularios escaneados o fotografiados (PDF/JPG/PNG). El backend convierte las páginas en imágenes, ejecuta OCR y visualiza el texto reconocido y las bounding boxes.

El sistema clasifica el tipo de formulario, extrae campos estructurados (con niveles de confianza), realiza una extracción de entidades nombradas, aplica comprobaciones heurísticas de errores y ejecuta una búsqueda por Retrieval-Augmented Generation (RAG) sobre un corpus local de documentos jurídicos para hacer aflorar los fragmentos legales relevantes.

Los usuarios pueden traducir el contenido alemán↔inglés, editar los valores de los campos detectados en una tabla interactiva, guardar JSON estructurado y generar PDF traducidos que conservan la maquetación para su descarga. Un panel de evaluación calcula métricas de OCR (WER/CER), de traducción (BLEU) y de usabilidad (SUS, tasa de finalización de tareas), y las salidas/registros de la sesión se almacenan en uploads/ y outputs/. La arquitectura es ampliable (añadir más tipos de formularios, incorporar LLM, conectar bases de datos en la nube).

• Fiabilidad del OCR en escaneos deficientes: el texto manuscrito, los escaneos de baja resolución o las maquetaciones complejas reducen la precisión de la extracción y la detección de campos posterior.
• Variabilidad de los formularios y complejidad de la maquetación: muchos formularios administrativos presentan diferencias sutiles de maquetación; una clasificación y un mapeo de campos robustos para numerosas plantillas requieren mucho trabajo.
  
• Relevancia y fiabilidad del contexto jurídico: garantizar que los resultados del RAG sean jurídicamente exactos, estén actualizados y se presenten con las advertencias adecuadas para no inducir a error a los usuarios.

• Pipeline modular de OCR + NER: combinar Tesseract (o mejores motores OCR) con reconocimiento de entidades nombradas basado en spaCy y heurísticas para extraer campos candidatos y tipos de entidades (nombres, fechas, direcciones).
• Clasificación de formularios + extracción estructurada: clasificadores de ML para detectar tipos de formularios y una lógica de extracción consciente de las plantillas (bounding box + análisis semántico) para mapear el texto OCR a los campos.
  
• RAG jurídico para una orientación contextualizada: un almacén vectorial local sobre documentos jurídicos para recuperar fragmentos de apoyo por consulta/página, ayudando a explicar los requisitos de los formularios y a citar referencias.

• Cumplimentación de formularios más rápida y con menos errores: los usuarios completan los formularios con mayor rapidez gracias a la orientación a nivel de campo, los consejos sobre errores y el autocompletado a partir de las entidades extraídas.
• Accesibilidad mejorada y soporte multilingüe: la traducción alemán↔inglés al instante y la generación de PDF que conservan la maquetación reducen las barreras idiomáticas para las personas no germanohablantes.
  
• Auditabilidad y trazabilidad: las salidas JSON estructuradas y los registros facilitan la revisión de lo que se extrajo, corrigió y referenció (útil para servicios de atención o cumplimiento).

• Menor tiempo de procesamiento manual: la automatización del OCR + validación reduce el tiempo que el personal dedica a la introducción manual de datos y a las correcciones.
• Menos reenvíos: la detección de errores y una orientación clara reducen los reenvíos, lo que ahorra costes administrativos y consumo de papel.
  
• Opción de despliegue local/offline-first: un estado basado en archivos/RAM y los corpus jurídicos locales permiten despliegues sin elevados costes de nube ni bases de datos persistentes (menores costes de alojamiento; mejor privacidad de los datos).