LLM Locali e Parsing Sensibile al Layout per l'Estrazione di PDF Tabellari: Uno Studio sull'Affidabilità

Una ricerca valuta l'efficacia dell'estrazione di dati strutturati da PDF accademici presentati in tabelle, concentrandosi specificamente sui documenti di registrazione ai corsi indonesiani (Kartu Rencana Studi). Lo studio confronta tre metodi: solo LLM, un approccio ibrido deterministico-LLM (regex e LLM) e una pipeline basata su Camelot con fallback LLM. Gli esperimenti utilizzano 140 documenti per i test LLM e 860 per la pipeline Camelot, coprendo quattro diversi programmi di studio. Tre modelli LLM (Gemma 3, Phi 4, Qwen 2.5), ciascuno con 12-14 miliardi di parametri, vengono eseguiti localmente utilizzando Ollama su CPU consumer standard. Questa ricerca affronta questioni come l'integrazione di testo libero misto e tabelle, variazioni tra programmi e artefatti Unicode.