O que é o LedgerLens

O que é LedgerLens?

Eu construí o LedgerLens após passar semanas copiando manualmente números de extratos bancários em PDF para planilhas. A ferramenta pega um arquivo que você faz upload — PDF, DOCX, JPEG, PNG — e executa um modelo de linguagem que foi ajustado para localizar tabelas, números, datas e rótulos de texto. O modelo retorna estruturas semelhantes a JSON que transformamos em uma grade simples que você pode ver no navegador. Cada célula inclui uma pontuação de confiança que vem diretamente da probabilidade interna do modelo para aquele token. Eu queria um sistema que nunca fingisse ser perfeito, então a interface obriga você a olhar para a pontuação antes de aceitar qualquer valor.

Quando você abre o aplicativo pela primeira vez, você vê uma área de soltar. Solte um extrato ou fatura ali e a interface mostra um girador enquanto o modelo trabalha. O backend executa o modelo em uma instância somente CPU; nenhum GPU é necessário para o demonstrativo. Se você forneceu uma chave de API, a solicitação vai para o modelo hospedado; caso contrário, o modo de demonstração usa um modelo de código aberto pequeno que é executado localmente e retorna resultados de espaço reservado claramente marcados. O modo de demonstração é útil para verificar o layout e a exibição da pontuação de confiança sem gastar nenhum crédito.

Como funciona o processo de extração

Etapa um: ingestão de arquivos. O serviço lê o stream carregado e converte páginas de PDF em imagens usando uma biblioteca JavaScript pura; DOCX é convertido em XML e então achatado em texto; imagens são passadas sem alterações. Isso mantém o arquivo original privado — nada é escrito no disco além de um buffer temporário que é limpo após a resposta.

Etapa dois: detecção de layout. Um modelo de layout leve identifica regiões que parecem tabelas, cabeçalhos ou rodapés. Ele retorna caixas delimitadoras e um rótulo de tipo (tabela, parágrafo, cabeçalho). Mantemos apenas regiões marcadas como tabela porque extratos bancários e notas fiscais são principalmente tabulares.

Etapa três: OCR em nível de célula. Para cada região de tabela, executamos OCR (Tesseract 5) para obter texto bruto por célula. A saída do OCR é alimentada junto com a imagem recortada para o modelo de linguagem. O modelo recebe um prompt que instrui a extrair: data, descrição, débito, crédito, saldo, imposto, VAT, e qualquer número de referência. O prompt também pede ao modelo que saída um valor de confiança entre 0 e 1 para cada campo.

Etapa quatro: pós-processamento. Alinhamos a saída do modelo com a grade do OCR, preenchemos quaisquer células faltantes com o texto do OCR e recalculamos os saldos correntes quando possível. Se a soma dos débitos menos os créditos não corresponde ao saldo final dentro de uma tolerância de 0,01, flagamos a linha para revisão manual. Todos esses cálculos acontecem no navegador, então você pode ver a lógica instantaneamente.

Etapa cinco: exibição de confiança. Cada célula mostra o valor bruto e um pequeno distintivo que lê "confiança: 0,87". A cor do distintivo muda de verde (≥0,9) para amarelo (0,7-0,89) para vermelho (<0,7). Esse sinal visual é a maneira principal de decidir se confiar em um número ou abrir o PDF original para verificar.

Formatos de saída e pontuação de confiança

O LedgerLens oferece três maneiras de extrair os dados do aplicativo:

- Tabela inline - você pode copiar e colar linhas diretamente da visualização. - Download em CSV - o arquivo é gerado no lado do cliente; escapamos qualquer campo que comece com '=', '+', '-' ou '@' para prevenir injeção de fórmulas. - Download em Excel (XLSX) - usamos a biblioteca SheetJS para criar uma planilha de trabalho; as mesmas salvaguardas contra injeção de fórmulas se aplicam.

Cada coluna no arquivo exportado inclui uma coluna extra nomeada 'confiança_'. Por exemplo, uma exportação de extrato bancário terá colunas: data, descrição, débito, crédito, saldo, confiança_data, confiança_descrição, confiança_débito, confiança_crédito, confiança_saldo. Os valores de confiança são os mesmos números que você viu na interface do usuário, arredondados para duas casas decimais.

Abaixo está uma tabela que mostra uma distribuição típica de confiança para uma amostra de 200 extratos bancários reais que processamos durante testes internos. Os números são ilustrativos apenas; não são garantias de desempenho futuro.

Faixa de pontuação | % de campos | Caso de uso típico 0,90– 1,00 | 42% | Datas, quantias, descrições de impressão clara 0,80– 0,89 | 31% | Notas manuscritas, impressões ligeiramente desfocadas 0,70– 0,79 |15% | Digitalizações de baixa resolução, cantos dobrados

Quando você vê um campo na zona vermelha, pode clicar na etiqueta para abrir uma visualização lado a lado da imagem original recortada e do texto OCR. Isso torna a etapa de verificação rápida, pois você não precisa sair do aplicativo para procurar a fonte. Além disso, o LedgerLens pode ser usado em conjunto com o.

Considerações de segurança e privacidade

Trato os dados que você envia como confidenciais. O serviço não armazena seus arquivos após a resposta ser enviada; o buffer temporário vive na memória e é limpo em segundos. Se você habilitar o modo de demonstração, o modelo é executado inteiramente no navegador, então nenhum dado deixa sua máquina.

Para execuções ao vivo que chamam um modelo externo, encaminhamos apenas o texto extraído e as imagens recortadas; não enviamos o nome do arquivo original ou qualquer metadado que você não tenha escolhido compartilhar. A conexão usa TLS 1.2 ou superior.

Para manter o componente de IA seguro, seguimos as orientações de dois quadros públicos. Primeiro, consultamos o OWASP Top 10 para Aplicações de Modelos de Linguagem Grande (https://owasp.org/www-project-top-10-for-large-language-model-applications) para verificar injeção de prompts, vazamento de dados e tratamento de saída do modelo. Segundo, alinhamos nossas práticas de gerenciamento de riscos com o Quadro de Gerenciamento de Riscos de IA do NIST (https://www.nist.gov/itl/ai-risk-management-framework). Esses documentos nos ajudam a decidir o que registrar, como sanitizar prompts e onde colocar avisos de pontuações de confiança.

Não afirmamos nenhuma certificação (SOC 2, ISO 27001, etc.) a menos que tenham sido formalmente auditadas e publicadas.

Fluxo de trabalho de suporte à decisão: verifique antes de agir

Quando você recebe um extrato bancário ou fatura, a primeira coisa que deve fazer é olhar para as badges de confiança. Qualquer campo abaixo de 0,8 merece um olhar rápido na fonte. Aqui está a rotina que sigo:

- Faça o upload do arquivo e aguarde até que a grade de resultados apareça. - Ordene a tabela pela coluna de confiança (clique no cabeçalho) para trazer as pontuações mais baixas para o topo. - Para cada linha de baixa confiança, clique na badge para abrir o painel de verificação. - No painel, você vê a crop da imagem original, a linha de texto OCR e o valor sugerido pelo modelo. Aceite a sugestão se ela corresponder; caso contrário, digite o valor correto e pressione Enter – a grade é atualizada instantaneamente e a badge de confiança é recalculada como 1,0 para sua edição. - Depois de revisar todas as linhas abaixo de 0,8, execute uma verificação de sanidade rápida: a soma dos débitos menos os créditos deve ser igual à alteração nos saldos de abertura e fechamento. Se os números não corresponderem, reexamine as linhas que contribuíram para a discrepância. - Quando estiver satisfeito, exporte para CSV ou XLSX e carregue o arquivo no seu sistema de contabilidade. Mantenha o PDF original em seu arquivo para fins de auditoria.

Esse fluxo de trabalho leva aproximadamente dois minutos para um extrato bancário típico de uma página e menos de cinco minutos para um pacote de faturas de várias páginas. O objetivo nunca é substituir seu julgamento; é fornecer uma primeira versão rápida que você possa verificar no local.

O que isso não é

Quero deixar claro os limites do LedgerLens para que você não confie nele para coisas que ele não pode fazer.

- Não é uma garantia de correção. Mesmo um campo com uma pontuação de confiança de 0,99 pode estar errado se o documento de origem contém um símbolo raro ou um layout que o modelo nunca viu. - Não fornece 100 % de precisão. Nenhum modelo de IA hoje alcança extração perfeita em documentos financeiros heterogêneos. - Nunca substituirá um contador ou auditor qualificado. Use-o como uma lista de verificação, não como uma autoridade final. - Não inclui SSO, notificações do Slack ou processamento em massa de CSV, a menos que esses recursos tenham sido enviados nesta versão específica. A página do produto lista exatamente o que está disponível. - Não é um substituto para a leitura do PDF ou imagem original. Sempre mantenha o arquivo de origem para referência. - Não oferece colaboração em tempo real ou controle de versão. Se você precisar desses recursos, exporte os dados e use suas ferramentas existentes. - Não promete qualquer melhoria específica de velocidade. O tempo de processamento depende do tamanho do arquivo, da qualidade da imagem e de você estar usando o modo de demonstração ou uma chave ao vivo.

Se algum desses pontos mudar em uma versão futura, atualizarei a documentação e a página do produto de acordo.

Referências

- OWASP Top 10 para Aplicações de Modelos de Linguagem Grande - Estrutura de Gerenciamento de Riscos de IA do NIST

Perguntas frequentes

O que é LedgerLens?

Declarações e faturas bancárias extraídas por IA — verifique antes de usar.

Quem deve usar o LedgerLens?

Operadores e construtores que precisam de um rascunho rápido ou lista de verificação do LedgerLens.

Funciona sem uma chave de API?

Sim, no modo de demonstração explícito. O AI ao vivo requer uma chave configurada.

Garante resultados?

Não. As saídas são de suporte à decisão; você ainda revisa antes de publicar ou agir.

Inclui SSO, Slack ou CSV em massa?

Apenas se esses recursos forem implementados nessa versão do produto — não os pressuponha a partir de cópias de marketing.

Onde os dados vão?

As execuções podem ser armazenadas localmente dentro do limite.data/ do produto; trate demonstrações como efêmeras.

Além disso, ferramentas como o podem ser úteis em conjunto com o LedgerLens, e é importante consultar o arquivo para obter mais informações sobre como utilizá-los de forma eficaz.

Referências

- schema.org — Página de perguntas frequentes - Central de Pesquisa do Google — Dados estruturados

Tente o LedgerLens

Leituras relacionadas

- Como usar o LedgerLens — LedgerLens - A matriz de tópicos de micro-SaaS de IA LX