O que é o LedgerLens

O que é o LedgerLens?

Desenvolvi o LedgerLens após passar semanas a copiar manualmente números de extratos bancários em PDF para folhas de cálculo. A ferramenta recebe um ficheiro que carrega — PDF, DOCX, JPEG, PNG — e executa um modelo de linguagem que foi ajustado para localizar tabelas, números, datas e rótulos de texto. O modelo devolve estruturas semelhantes a JSON que convertemos numa grelha simples que pode ser vista no navegador. Cada célula inclui um score de confiança que vem diretamente da probabilidade interna do modelo para esse token. Queria um sistema que nunca fingisse ser perfeito, por isso a interface obriga a olhar para o score antes de aceitar qualquer valor.

Quando abre a aplicação pela primeira vez, vê uma zona de destino. Deixe cair um extrato ou fatura ali e a interface mostra um indicador de progresso enquanto o modelo trabalha. O backend executa o modelo numa instância apenas com CPU; não é necessário um GPU para a demonstração. Se forneceu uma chave de API, o pedido vai para o modelo hospedado; caso contrário, o modo de demonstração usa um pequeno modelo de código aberto que é executado localmente e devolve resultados marcados como fictícios. O modo de demonstração é útil para verificar o layout e a exibição do score de confiança sem gastar quaisquer créditos.

Como funciona o processo de extração

Etapa um: ingestão de ficheiros. O serviço lê o fluxo carregado e converte páginas PDF em imagens usando uma biblioteca em JavaScript puro; DOCX é convertido em XML e depois achatado em texto; as imagens são passadas sem alterações. Isso mantém o ficheiro 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 faturas são principalmente tabulares.

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

Etapa quatro: pós-processamento. Alinhamos a saída do modelo com a grade OCR, preenchemos quaisquer células ausentes com o texto OCR e recalculamos os saldos em curso quando possível. Se a soma dos débitos menos os créditos não corresponder ao saldo final dentro de uma tolerância de 0,01, flagamos a linha para revisão manual. Todos esses cálculos acontecem no navegador, para que você possa 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). Este sinal visual é a maneira principal pela qual você decide se confia em um número ou abre o PDF original para verificar.

Formatos de saída e pontuação de confiança

O LedgerLens oferece três maneiras de extrair dados do aplicativo:

- Tabela inline - você pode copiar e colar linhas diretamente da vista. - Download de CSV - o arquivo é gerado no lado do cliente; escapamos qualquer campo que comece com '=', '+', '-' ou '@' para prevenir injeção de fórmulas. - Download do Excel (XLSX) - usamos a biblioteca SheetJS para criar uma pasta 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, montantes, 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 placa para abrir uma vista lado a lado da crop de imagem original e do texto OCR. Isso torna a etapa de verificação rápida porque você não precisa sair do aplicativo para procurar a fonte. O também é compatível com o LedgerLens, permitindo a integração com outros aplicativos e serviços, como o.

Considerações de segurança e privacidade

Trato os dados que carrega como confidenciais. O serviço não armazena os seus ficheiros após a resposta ser enviada; o buffer temporário vive na memória e é limpo dentro de segundos. Se ativar o modo de demonstração, o modelo é executado inteiramente no navegador, por isso nenhum dado sai do seu computador.

Para execuções ao vivo que chamam um modelo externo, encaminhamos apenas o texto extraído e as imagens cortadas; não enviamos o nome do ficheiro original ou quaisquer metadados que não tenha escolhido partilhar. A conexão utiliza TLS 1.2 ou superior.

Para manter o componente de IA seguro, seguimos as orientações de dois quadros públicos. Em primeiro lugar, 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 a injeção de prompts, vazamento de dados e tratamento de saída do modelo. Em segundo lugar, alinhamos as nossas práticas de gestão de riscos com o Quadro de Gestão de Riscos de IA do NIST (https://www.nist.gov/itl/ai-risk-management-framework). Estes documentos ajudam-nos a decidir o que registamos, como sanitizamos os prompts e onde colocamos as declarações de pontuações de confiança.

Não reclamamos quaisquer certificações (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 recebe uma declaração bancária ou fatura, a primeira coisa que deve fazer é olhar para os emblemas de confiança. Qualquer campo abaixo de 0,8 merece um olhar rápido à fonte. Aqui está a rotina que sigo:

- Faça o upload do arquivo e aguarde até que a tabela de resultados apareça. - Ordene a tabela pela coluna de confiança (clique no cabeçalho) para trazer os escores mais baixos para o topo. - Para cada linha de baixa confiança, clique no emblema para abrir o painel de verificação. - No painel, você vê a imagem original recortada, 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 tabela é atualizada instantaneamente e o emblema de confiança é recalculado como 1,0 para a 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 no seu arquivo para fins de auditoria.

Este fluxo de trabalho leva aproximadamente dois minutos para uma declaração típica de uma página e menos de cinco minutos para um pacote de faturas de várias páginas.

O que isto não é

Quero ser claro sobre 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 a 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 lançados 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. Mantenha sempre o arquivo de origem para referência. - Não oferece colaboração em tempo real ou controle de versão. Se precisar desses recursos, exporte os dados e use as ferramentas existentes. - Não promete qualquer melhoria específica de velocidade. O tempo de processamento depende do tamanho do arquivo, da qualidade da imagem e de se você está usando o modo de demonstração ou uma chave ao vivo.

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

Referências

Perguntas frequentes

O que é o 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 de uma lista de verificação do LedgerLens.

Funciona sem uma chave de API?

Sim, no modo Demo explícito. A IA 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 nesta versão do produto — não os pressuponha a partir de cópias de marketing.

Onde vai os dados?

As execuções podem ser armazenadas localmente dentro do limite.data/ do produto; trate os demos como efêmeros.

Referências

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

Tente LedgerLens

Leituras relacionadas

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