Parlare con un PDF: come interrogare un documento e trovare le risposte

Avere un documento di duecento pagine e una domanda precisa è una delle situazioni più frustranti che esistano: cerchi una parola, il lettore PDF ti porta a venti occorrenze, e dopo mezz’ora hai letto tutto tranne la risposta. Interrogare un PDF significa esattamente questo: fare la domanda in linguaggio naturale e arrivare al passaggio che risponde, con la pagina sotto gli occhi per verificare. Funziona, se sai come si prepara il documento.

Il passaggio obbligato: estrarre il testo

Nessuno strumento può ragionare su un PDF così com’è. Il PDF è un contenitore grafico: descrive dove disegnare lettere e immagini, non cosa il documento dice. Prima di tutto bisogna togliere il testo dal contenitore.

• Se il PDF nasce da un programma di scrittura, il testo c’è già e si estrae in un secondo.
• Se il PDF è una scansione, il testo non esiste: senza riconoscimento ottico dei caratteri otterrai solo pagine vuote. In quel caso serve prima rendere il documento ricercabile, poi estrarre.
• Se il PDF è una fotografia di un documento firmato a mano, vale la stessa regola: prima il riconoscimento, poi l’estrazione.

Con PDF in testo ottieni tutto il contenuto in un file di testo, pagina dopo pagina. È il formato più semplice da dare in pasto a qualsiasi ricerca o assistente, e ti permette di controllare a occhio se mancano pezzi.

Perché convertire in Markdown migliora le risposte

Il testo puro ha un difetto: perde la struttura. Titoli, elenchi e tabelle diventano righe tutte uguali, e un assistente non capisce più dove inizia un capitolo e dove finisce una nota. Il Markdown risolve questo problema in modo molto semplice, con simboli leggeri che indicano titoli, elenchi e citazioni.

Con Converti in Markdown trasformi il documento mantenendo la gerarchia: i titoli restano titoli, gli elenchi restano elenchi, le tabelle si leggono. Il risultato è che le risposte sono più precise, perché il sistema che le cerca sa a quale sezione appartiene ogni paragrafo.

Come si interroga davvero un documento

Il meccanismo, sotto il cofano, è sempre lo stesso e vale la pena conoscerlo per usarlo meglio.

1. Il documento viene diviso in blocchi, in genere un paragrafo o mezza pagina per volta.
2. Ogni blocco viene trasformato in una rappresentazione numerica che ne cattura il significato.
3. La tua domanda viene trasformata allo stesso modo e confrontata con tutti i blocchi.
4. I blocchi più vicini alla domanda vengono passati a un modello linguistico, che scrive la risposta citando da dove viene.

Da qui una conseguenza pratica importante: la citazione è la parte più utile della risposta. Se l’assistente ti dice quel che serve e ti indica la pagina, tu in cinque secondi verifichi se è vero. Se ti dà una risposta senza fonte, non hai modo di distinguere una sintesi corretta da un’invenzione plausibile.

Cosa funziona bene e cosa no

• Funziona bene: contratti e condizioni, manuali tecnici, normative e circolari, relazioni, verbali, tesi e pubblicazioni. Documenti dove l’informazione è scritta in frasi.
• Funziona con cautela: tabelle di numeri, bilanci, schede tecniche. I valori possono essere letti uno per uno, ma i calcoli vanno sempre rifatti a mano.
• Non funziona: domande che richiedono di contare o sommare numeri sparsi su centinaia di pagine, o di confrontare in modo esaustivo due documenti interi. Meglio estrarre i dati e lavorarli in un foglio di calcolo.

Il metodo in cinque passi

1. Estrai il testo completo con PDF in testo e controlla che le pagine ci siano tutte.
2. Se il documento ha titoli ed elenchi importanti, convertilo anche in Markdown per non perdere la struttura.
3. Fai domande specifiche: non chiedere di cosa parla il contratto, chiedi entro quanto tempo va comunicato il recesso.
4. Pretendi sempre il riferimento alla pagina o alla sezione.
5. Verifica a campione tre risposte sul documento originale: se tornano, ti puoi fidare del metodo.

Domande frequenti

Posso interrogare un PDF scansionato?

Sì, ma solo dopo averlo reso ricercabile con il riconoscimento ottico dei caratteri. Senza quel passaggio il file contiene immagini e non parole: qualunque ricerca restituisce zero risultati, anche se a schermo il testo si legge benissimo.

Il mio documento viene caricato da qualche parte?

Quando usi gli strumenti di estrazione, il file viene elaborato per produrre il testo che scarichi: quello che ottieni è un file tuo, che puoi conservare, cercare o dare in pasto al sistema che preferisci. Per documenti riservati, meglio comunque partire da una copia.

Il testo estratto mantiene la formattazione?

Il testo semplice no: perde titoli, elenchi e impaginazione, ed è normale, perché serve a essere cercato. Il Markdown invece conserva la struttura. Se ti serve il documento impaginato e modificabile, la strada è convertire in un formato di scrittura.

Prova con il tuo documento

Parti da PDF in testo: carica il file e scarica il contenuto completo. Poi passa da Converti in Markdown per conservare titoli ed elenchi. Con il testo in mano, la prossima domanda sul documento diventa una ricerca da dieci secondi, non una serata di lettura.