Transcribir y subrayar: lo que aprendí sacando datos de tutelas con OCR y NER

Sacar los datos de una tutela son dos problemas distintos, leer bien el documento y reconocer qué es cada dato, y el segundo no puede salir mejor que el primero.

Posted by Daniel Arbelaez on Sunday, November 15, 2026

Piensa en un acta escrita a mano que hay que pasar a limpio. Primero alguien la transcribe letra por letra, y después toma tres resaltadores y subraya en amarillo quién pide, en verde contra quién y en azul la fecha. Si en la transcripción una “M” quedó como “N”, el subrayado sale mal aunque los colores estén en su sitio. Con Sherlock-docs, la herramienta que lee tutelas y hábeas corpus para sacar sus datos, tuve que aprender a separar esos dos trabajos, porque cada uno falla a su manera.

La transcripción

El primer trabajo es el OCR, el reconocimiento óptico de caracteres, que convierte la imagen de una página en texto. Algunas tutelas llegan como PDF que ya traen su texto adentro, y para esas no hace falta leer ninguna imagen. Por eso el sistema revisa página por página. Si una página trae al menos 50 caracteres de texto propio, lo toma tal cual con PyMuPDF, una biblioteca que lee PDF. Si no, la manda al OCR.

Ahí hay dos motores libres de OCR. Cuando el escaneo es bueno lo lee Tesseract, y si su confianza en lo que leyó baja del 70 %, el sistema lo vuelve a intentar con PaddleOCR. Cuando el escaneo está degradado va directo a PaddleOCR. Aun así, la ficha técnica del proyecto reconoce lo que ningún motor resuelve del todo, los sellos encima del texto, las páginas torcidas y las copias de baja resolución.

El subrayado

El segundo trabajo es el NER, el reconocimiento de entidades nombradas, que es la parte que subraya. Busca en el texto quién presenta la tutela, contra quién, la cédula, el correo y la fecha. Para los nombres uso spaCy, una biblioteca de procesamiento de lenguaje, con su modelo en español, que se entrenó con textos generales de prensa y de Wikipedia, sin documentos judiciales. Un artículo de prensa rara vez escribe un nombre como “GARCÍA LÓPEZ JUAN CARLOS”, con los apellidos primero y en mayúsculas, y en una tutela eso es lo normal. Por eso el sistema combina cinco extractores, entre ellos patrones escritos a mano para los marcadores típicos de una tutela, y vota entre lo que cada uno encuentra.

Para saber si funcionaba necesitaba una hoja de respuestas. En el sprint 12, en febrero de 2026, armé una hoja de respuestas para los 18 documentos que venía usando en los cuadernos de Jupyter, donde probaba por separado cada aspecto que iba necesitando, y mi error fue llenarla al principio de forma automática con el mismo sistema que quería medir. Al revisarla documento por documento encontré valores equivocados en 14 de los 18. Y pues, una hoja de respuestas mal hecha repite los errores del sistema con apariencia de exactitud.

Leer la nota campo por campo

Con la hoja corregida, la nota global (el F1, una medida que combina cuántos datos acertó el sistema de los que encontró y cuántos encontró de los que había) subió de 83,4 % a 85,3 %. Es la medición de ese sprint y la última que tiene el proyecto a abril de 2026. Esa cifra sola esconde casi todo. En esos 18 documentos, una muestra pequeña, el correo y la cédula quedaron en 100 %. La fecha pasó de 68,8 % a 81,2 %. El demandante se quedó en 74,1 %. Y el demandado bajó de 63,6 % a 57,1 %, porque el sistema dejó de aceptar palabras como “HECHOS” como si fueran nombres. Ese campo empeoró en la nota justo cuando el sistema se volvió más cuidadoso.

Los errores que quedaron venían de cómo estaba armado el documento. Eran PDF con varias tutelas pegadas, uno de ellos de 145 páginas, donde el sistema tomaba los datos del primer documento en lugar del principal. En el sprint 12 los dejé fuera del alcance. La solución que anoté era separar cada tutela antes de buscar sus datos, y la versión final no la incluye.

Hubo además dos datos que decidí no subrayar. En esa misma prueba el radicado salía en 100 %, y aun así el 26 de febrero desactivé su extracción automática. Quedó, igual que el juzgado, como un dato que escribe la persona que valida.

Si alguna vez te ofrecen una herramienta que saca datos de documentos judiciales, pide la nota de cada campo además de la global, y pregunta cómo se armó la hoja de respuestas con que la midieron. ¿Qué campo de tus documentos no podrías permitirte que una máquina subraye mal?


Serie Sherlock-docs · 2/6 · Anterior, la receta antes del fogón · Todas las entregas · Próxima entrega el 29 de noviembre, sobre por qué la herramienta puede correr completa en tu propio equipo.

Escrito a título personal. Sherlock-docs es un proyecto personal ya terminado; no representa a la Rama Judicial.