IDP Extract

Extrae todo lo que pide un proyecto de extracción de un documento, enruta al perfil del formato que tenga delante y busca cada valor en la página, así que sabes de dónde salió cada dato y cuánta confianza merece.

Es el camino normal del IDP: una actividad. Por dentro carga el documento si hace falta, enruta al perfil, extrae todos los campos en una sola llamada al modelo, groundea y persiste el resultado en el store — pero eso es asunto suyo, no tuyo.

Idempotente: no re-paga

IDP Extract guarda su resultado por reference (por defecto, el nombre del fichero). Si ese documento ya se extrajo, reusa lo guardado y no vuelve a llamar a Azure/LLM — un reintento tras un fallo aguas abajo no cuesta nada. También persiste el documento + la extracción, así que no necesitas Documents Upload después.

IDP Extract   document   = = doc
              project    = "hoja-de-vida-equipo-biomedico"
              credential = = credential("anthropic-key")
              → output: res

El proyecto trae la configuración, no el playbook

Antes esta actividad pedía taxonomy, model, mode y endpoint. Ahora pide un proyecto de extracción y de ahí sale todo lo demás. El proyecto —que se edita en el portal— lleva:

• el esquema canónico (los campos que entregas, el contrato),
• N perfiles de formato, uno por layout, cada uno con sus overrides sobre el canónico,
• un router que elige el perfil por el código impreso del formato,
• la config: modelo, modo de lectura, endpoint y credencial de OCR.

Así, quien sabe qué campos importan lo configura en el portal y no toca el playbook. El playbook solo dice qué proyecto y de dónde sale el documento.

Parámetros

Parámetro	Tipo	Qué es
project	texto	El nombre de un proyecto de extracción del entorno. Trae el canónico, los perfiles, el modelo, el modo de lectura y el endpoint de OCR. Para CI también acepta un JSON de resolución en línea.
credential	credencial	Credencial de Zoan Cloud con la API key del proveedor del modelo. Usa = credential("nombre").
document	objeto	Un documento que ya leyó IDP Classify o IDP Load Document. Si lo pasas, no se vuelve a leer el fichero — con un escaneo, releerlo es pagar Azure dos veces.
path	texto	La ruta, si no pasas document.
dpi	int	El dpi en el que vuelven las cajas. Usa el mismo que le des a PDF To Images si vas a subir el documento, o las cajas caen en el sitio equivocado.
pages	texto	Qué páginas leer. Vacío = todas.
azureCredential	credencial	Credencial de Zoan Cloud con la key de Azure Document Intelligence. Solo para escaneos.
maxRetries	int	Reintentos ante un fallo transitorio del proveedor. Un backfill son miles de llamadas: el 429 o 5xx suelto es una certeza, no un riesgo.

Pásale el documento, no la ruta

Si vienes de IDP Classify, usa document = = doc. El fichero se lee una sola vez.

Enruta al perfil del formato

Un mismo tipo de documento llega en varios formatos, y cada formato pinta los campos en otro sitio. El proyecto tiene un perfil por formato; IDP Extract lee el código impreso del documento (por ejemplo F-GOP-007), elige el perfil que le corresponde y funde sus overrides sobre el canónico. La salida sale siempre con nombres canónicos — el mapeo es identidad.

Un formato que no casa con ningún perfil no se extrae

Si el documento no coincide con ningún perfil del proyecto, la actividad falla a propósito. Clasifícalo antes con IDP Classify y manda a revisión lo que no reconozcas: extraer un documento de formato desconocido produce datos plausibles y falsos, y eso es lo caro.

La escalada de modelo

Si el proyecto configura un modelo de escalada, cuando más del 10% de los campos quedan bajo umbral la actividad reintenta una vez con ese modelo y se queda con el resultado que deja menos campos a revisar. Una llamada extra de céntimos que evita minutos de revisor. El consumo de ambas llamadas se suma en usage.

Recorta el documento dado

Si le pasas document (una lectura ya hecha) y pages (un rango, "4-7"), la actividad recorta la lectura a ese rango en vez de re-leer el fichero: es como Take Confirmed Bundles consigue que extraer los segmentos de un bundle no re-pague Azure.

No clasifica

Extrae lo que se le pide, siempre. Comprobar que el documento es el que toca es una decisión tuya, y se hace antes con IDP Classify.

No es un capricho: una actividad que decide sola no hacer su trabajo esconde el control de flujo, y además impide enrutar entre varios proyectos — que es justo lo que hace falta cuando la cola trae documentos mezclados.

La salida

Campo	Qué es
values	Los datos, limpios: { serie: "ABC-123", accesorios: [...] }. Es lo que consume el resto del playbook.
fields	Un campo por dato, con su caja, su confianza y por qué necesita revisión. Es lo que pinta la estación de validación.
needsReview	Si algún campo quedó por debajo de su umbral.
reviewFields	Cuáles.
documentType	El tipo que declara el proyecto.
format	El perfil al que se enrutó (p. ej. F-GOP-007). Sirve para trazar y mostrar cuál formato se usó.
source	text o azure-di.
dpi	El dpi de las cajas.
pageCount	Páginas leídas.
values	Los datos, limpios: { serie: "ABC-123", accesorios: [...] }.
documentId	El id del documento persistido en el store.
reference	La clave con la que se guardó (idempotencia).
usage	El consumo del documento: { model, inputTokens, outputTokens, calls }.

El consumo viene en tokens, no en dólares

La extracción pide todos los campos en una llamada (sin gramática estricta, así el documento se lee una vez y no se re-envía por cada lote como antes). usage lleva los tokens de esa llamada. Va en tokens y no en dólares a propósito: el precio por modelo cambia, así que el costo lo calcula quien consume (o el arnés de medición) con la tarifa vigente.

La confianza no se le pregunta al modelo

Un modelo que se autoevalúa dice «95 %» con la misma seguridad cuando acierta que cuando se lo inventa. Esa confianza no está calibrada.

La de aquí sale de buscar el literal entre las palabras del documento. Si está, hay confianza y hay caja. Si no está, el valor no se puede verificar y el campo va a revisión. Es una comprobación mecánica, no una opinión.

Actividades relacionadas

• IDP Classify — de qué tipo es, antes de extraer
• IDP Ground — el grounding suelto, si montas el pipeline a mano
• Documents Upload — subirlo para revisarlo