# La patente de Google sobre comprensión documental: relacionar títulos, texto e imágenes mediante su disposición

US12393768B2 combina codificación por bloques y por documento. Un manual de inspección ficticio permite explicar el diseño de página, el preentrenamiento y la estructura que conserva Document AI.

Source: https://www.iplexlaw.co.kr/es/blog/google-layout-aware-document-understanding

INICIO / Noticias y análisis Noticias y análisis La patente de Google sobre comprensión documental: relacionar títulos, texto e imágenes mediante su disposición US12393768B2 combina codificación por bloques y por documento. Un manual de inspección ficticio permite explicar el diseño de página, el preentrenamiento y la estructura que conserva Document AI. Inteligencia artificial 2026.11.10 publicado IPLEX 7 min de lectura Esquema conceptual de la información visual, el texto y el formato en relación con los bloques del documento. Se conservan los rótulos coreanos de la imagen original. Convertir un manual de equipos en una secuencia de texto puede borrar la relación entre un procedimiento y su título, o entre una fotografía y el texto que la describe. La patente estadounidense de Google US12393768B2 describe cómo dividir un documento en bloques, representar su contenido y disposición, y procesar después las relaciones entre bloques vecinos para obtener una representación del documento completo. Un manual de inspección ficticio permite distinguir estas dos etapas y explicar por qué conviene conservar las conexiones entre títulos, ilustraciones y texto al preparar una búsqueda documental. Reconocer las palabras no basta para conservar su contexto Supongamos que un técnico encuentra la instrucción «Compruebe después de cerrar la cubierta». Para utilizarla necesita saber a qué equipo corresponde y si la ilustración situada a la derecha explica ese mismo procedimiento. Cuando una página contiene dos apartados, la posición de sus títulos y explicaciones aporta información relevante. El reconocimiento óptico de caracteres, u OCR, detecta texto en la imagen de un documento y lo convierte en caracteres procesables. Si se conserva únicamente una lista de palabras, pueden perderse las relaciones entre elementos próximos en la página original. Leer el texto y determinar a qué parte del documento pertenece son, por tanto, tareas complementarias. La patente de Google considera también la disposición de los textos y las imágenes: su posición y organización en la página. La negrita puede indicar un título; el párrafo inferior, una explicación de ese apartado; y un pie de figura, una relación con la ilustración cercana. El enfoque proporciona al modelo información para tener en cuenta esas conexiones. Dividir títulos, párrafos e ilustraciones en bloques El documento se divide primero en varios bloques. Cada uno corresponde a una región con una función, como un título, un párrafo, una imagen o una tabla. La descripción contempla información sobre posición, fuente, color y formato. En documentos web, las etiquetas HTML que identifican títulos o párrafos también pueden ayudar a delimitar los bloques. Pensemos en dos líneas situadas a la misma altura en un documento a dos columnas. Pasar automáticamente de la línea izquierda a la derecha puede mezclar apartados distintos. Delimitar primero los párrafos y conservar sus posiciones aporta al modelo posterior información para decidir qué elementos deben relacionarse. La entrada de esta etapa vincula contenido y disposición. Un bloque puede reunir las palabras «Inspección periódica», su formato grande y en negrita, y su posición en la parte superior. El bloque de imagen recoge características visuales; la explicación inferior puede representarse como otro bloque o como contenido relacionado. Codificar cada bloque y después las relaciones del documento El primer modelo transforma cada bloque en una representación numérica apta para el cálculo. Este proceso se denomina codificación. Los bloques de texto pueden aportar contenido y formato; los de imagen, características visuales. La patente prevé además suministrar a este modelo los datos de disposición asociados a cada bloque. El segundo modelo procesa las representaciones obtenidas junto con las conexiones locales entre bloques vecinos. La primera etapa expresa qué contiene cada bloque; la siguiente incorpora su relación con otras partes del documento. Así se obtiene una representación conjunta de títulos, explicaciones e imágenes. La representación documental sirve de entrada para tareas posteriores. La descripción menciona la búsqueda de documentos relacionados y la clasificación por tipo de documento. También expone un procedimiento para sugerir, entre varias candidatas, una imagen adecuada para incorporarla al documento. El aspecto central es distinguir la representación individual de los bloques de la representación de sus relaciones. Aprender el orden y la relación entre imágenes y texto Las tareas de preentrenamiento pueden ayudar al modelo a aprender cómo se conectan títulos y explicaciones. Por ejemplo, se intercambian dos bloques y se le pide que determine si el orden es correcto. La patente también describe ocultar parte del texto o un bloque y predecirlo a partir de la información circundante. Otras tareas se centran en imágenes y texto. Puede sustituirse una imagen por otra de un documento de entrenamiento distinto y entrenar el modelo para detectar la sustitución. También se puede ocultar una imagen y seleccionar una candidata adecuada. Estas tareas permiten aprender la conexión entre la imagen y su explicación, además de sus características visuales. Se trata de un preentrenamiento orientado a las señales de estructura documental. Al procesar un nuevo manual, el modelo ya entrenado representa sus bloques y relaciones. El tratamiento posterior depende de si esas representaciones se utilizarán para búsqueda, clasificación u organización de documentos. Relacionar un título y un pie de figura en un manual a dos columnas Imaginemos un manual ficticio con el título grande «Inspección periódica» en la parte superior, los pasos de revisión a la izquierda y una ilustración del equipo con una breve explicación a la derecha. Al separar las regiones, pueden tratarse individualmente el título, el párrafo de instrucciones, la ilustración y su pie. Manual de inspección ficticio a dos columnas. Las flechas discontinuas indican las relaciones entre título y procedimiento, y entre ilustración y explicación. En el nivel de bloque, el título aporta una frase corta y su tamaño de letra; el procedimiento, varias líneas de instrucciones; y la imagen, el aspecto del equipo. En el nivel de documento importan las relaciones título–procedimiento e ilustración–pie de figura. Incluso los textos situados a la misma altura pueden asignarse a sus respectivas regiones. Una aplicación de búsqueda podría devolver «Compruebe la cubierta» junto con el título del apartado y la explicación de la ilustración relacionada. Es una posible utilización de la estructura: permite comprender a qué procedimiento pertenece la frase, en lugar de presentarla sin contexto. Distinguir la estructura que devuelve Document AI La documentación oficial de Google Cloud presenta varias funciones de procesamiento documental. Enterprise Document OCR extrae texto y datos de disposición, incluidos caracteres, líneas, palabras y párrafos. Estos resultados pueden utilizarse, por ejemplo, para permitir búsquedas en manuales escaneados. La documentación de Layout Parser, de Document AI, describe la identificación de títulos, tablas, listas y figuras en PDF y la devolución de una jerarquía documental estructurada. Al dividir el contenido en unidades para su recuperación, pueden añadirse los títulos de nivel superior correspondientes. Estas unidades contextualizadas suelen denominarse fragmentos o chunks. Un equipo que organiza manuales de instalaciones puede utilizar fragmentos que mantengan la relación entre apartados y párrafos. La patente explica cómo procesar bloques y relaciones mediante representaciones numéricas; la documentación del producto describe usos de una salida que conserva la estructura y el contexto de los títulos. Son fuentes distintas y deben interpretarse como tales. Evaluar las relaciones, además de la exactitud del texto La evaluación debe partir de la finalidad del sistema. Si es necesario vincular un procedimiento con su título, conviene comprobar tanto la lectura de los caracteres como su asignación al apartado correcto. Cuando se muestran ilustraciones, también importa que cada explicación esté asociada a la figura correspondiente. Seleccione ejemplos concretos: manuales que repiten una frase bajo títulos diferentes, páginas a dos columnas y documentos con fotografías alejadas de sus pies. Registrar la información de disposición conservada, los bloques intermedios y las fuentes que acompañan al resultado de búsqueda ayuda a localizar errores. En una descripción técnica también conviene separar la lectura del texto, la creación de bloques, el procesamiento de relaciones y el uso final. Explicar qué información se añade en cada fase y cómo pasa al siguiente cálculo permite describir con mayor precisión las diferencias entre métodos de tratamiento documental. Se conservan las indicaciones y formas originales; el contenido se explica en el texto. El manual es un ejemplo ficticio. La explicación técnica no resume íntegramente el alcance de las reivindicaciones: la reivindicación 1 incluye además la sugerencia de imágenes y condiciones de entrenamiento basadas en detectar su sustitución por imágenes de otro documento; las reivindicaciones 14 y 19 se refieren a configuraciones de entrenamiento del sistema y del soporte de almacenamiento. La documentación del producto no demuestra que Document AI implemente todos los elementos de la patente. Texto de la patente en la USPTO · US12393768B2 Documentación oficial de Layout Parser de Google Cloud Documentación oficial de Enterprise Document OCR de Google Cloud La patente de traducción visual de Naver: cómo alinear el texto cuando se mueve la cámara Cómo aborda Baidu los conflictos entre respuestas del modelo y conocimiento recuperado Consulte la práctica de IA de IPLEX y sus materiales de preparación para describir mecanismos de procesamiento documental y sus diferencias técnicas desde la perspectiva de las patentes. Conozca la experiencia de Yongduck Kim en IA Artículo original en Tistory Leer el original coreano Este artículo del archivo refleja la situación en su fecha de publicación. Contacte con el despacho para analizar su caso. Consultar sobre este tema ↗ Todos los artículos EN ESTA PÁGINA Reconocer las palabras no basta para conservar su contexto Dividir títulos, párrafos e ilustraciones en bloques Codificar cada bloque y después las relaciones del documento Aprender el orden y la relación entre imágenes y texto Relacionar un título y un pie de figura en un manual a dos columnas Distinguir la estructura que devuelve Document AI Evaluar las relaciones, además de la exactitud del texto HABLE CON IPLEX Consulte sus necesidades de propiedad intelectual Analizamos conjuntamente sus necesidades tecnológicas y empresariales. ↗ Contactar Más reciente Marcas en Noruega: solicitud, examen y mantenimiento ↗ Anterior Columna en AI Times: cómo los agentes de IA interpretan la pantalla ↗ Artículos relacionados Inteligencia artificial 2026.11.19 Embeddings Matryoshka para buscar imágenes: filtrar con un prefijo y reordenar con el vector completo Lectura práctica de Matryoshka Representation Learning, el entrenamiento de longitudes anidadas y los resultados de ImageNet-1K en NeurIPS 2022. ↗ Lea el artículo Inteligencia artificial 2026.11.18 La patente de subtítulos de ByteDance: transcripción por pistas y ajuste de intervalos superpuestos Análisis de US11837234B2, la selección de pistas de audio y los tiempos de los subtítulos, distinguiendo la patente de la ayuda pública de CapCut. ↗ Lea el artículo Inteligencia artificial 2026.11.17 Texto reconocido de Apple: del teléfono o la URL a la acción adecuada US12001642B2 conecta texto reconocido, coordenadas, tipos de datos e interacción del usuario con menús y acciones contextuales. ↗ Lea el artículo

- https://www.iplexlaw.co.kr/es
- https://www.iplexlaw.co.kr/es/blog/category/ai
- https://image-ppubs.uspto.gov/dirsearch-public/print/downloadPdf/12393768
- https://docs.cloud.google.com/document-ai/docs/layout-parse-chunk
- https://docs.cloud.google.com/document-ai/docs/enterprise-document-ocr
- https://www.iplexlaw.co.kr/es/blog/naver-papago-ar-image-translation
- https://www.iplexlaw.co.kr/es/blog/baidu-rag-knowledge-conflict-resolution
- https://www.iplexlaw.co.kr/es/ai-patents
- https://iplexlaw.tistory.com/21
- https://www.iplexlaw.co.kr/ko/blog/google-layout-aware-document-understanding
- https://www.iplexlaw.co.kr/es/contact
- https://www.iplexlaw.co.kr/es/blog
- https://www.iplexlaw.co.kr/es/blog/google-layout-aware-document-understanding#article-21-en-0
- https://www.iplexlaw.co.kr/es/blog/google-layout-aware-document-understanding#article-21-en-1
- https://www.iplexlaw.co.kr/es/blog/google-layout-aware-document-understanding#article-21-en-2
- https://www.iplexlaw.co.kr/es/blog/google-layout-aware-document-understanding#article-21-en-3
- https://www.iplexlaw.co.kr/es/blog/google-layout-aware-document-understanding#article-21-en-4
- https://www.iplexlaw.co.kr/es/blog/google-layout-aware-document-understanding#article-21-en-5
- https://www.iplexlaw.co.kr/es/blog/google-layout-aware-document-understanding#article-21-en-6
- https://www.iplexlaw.co.kr/es/contact
- https://www.iplexlaw.co.kr/es/blog/norway-trademark-filing-guide
- https://www.iplexlaw.co.kr/es/blog/aitimes-anthropic-screen-understanding
- https://www.iplexlaw.co.kr/es/blog/matryoshka-prefix-vector-image-retrieval
- https://www.iplexlaw.co.kr/es/blog/matryoshka-prefix-vector-image-retrieval
- https://www.iplexlaw.co.kr/es/blog/bytedance-track-based-caption-timing
- https://www.iplexlaw.co.kr/es/blog/bytedance-track-based-caption-timing
- https://www.iplexlaw.co.kr/es/blog/apple-recognized-text-contextual-actions
- https://www.iplexlaw.co.kr/es/blog/apple-recognized-text-contextual-actions
