Optimización de sistemas RAG en documentos con estructuras visuales complejas mediante análisis de Layout y reconstrucción semántica
Year: 2026
Type: dissertation
Abstract: Los sistemas de Retrieval-Augmented Generation (RAG) se han consolidado como una estrategia eficaz para combinar la capacidad generativa de los modelos de lenguaje con información obtenida de fuentes documentales externas. Sin embargo, su aplicación a documentación técnica en formato PDF presenta una limitación frecuente: la mayoría de los pipelines convierten el documento a texto plano y lo dividen en fragmentos de tamaño fijo sin tener en cuenta la semántica, lo que descarta la estructura visual y jerárquica del documento original. Esta simplificación puede ser razonable en textos narrativos, pero degrada la calidad de la recuperación en documentos técnicos donde la información reside en tablas, secciones especializadas y relaciones espaciales entre elementos. El presente trabajo propone un sistema RAG que combina dos componentes para mitigar esta limitación: una etapa de ingestión consciente del layout basada en Docling, que preserva la jerarquía documental y trata las tablas como unidades atómicas, y una etapa de reordenación de candidatos mediante un cross-encoder de tipo MS-MARCO, que refina la selección de fragmentos antes de llamar al extractor final. La propuesta se enmarca en un escenario explícito de recursos limitados: todos los componentes se ejecutan en local con herramientas de código abierto y modelos de tamaño modesto, y se diseñan para producir resultados deterministas y reproducibles. Para evaluar el efecto real de cada componente, el sistema se compara con dos variantes adicionales (baseline de texto lineal y layout-aware sin reordenación), manteniendo constantes el resto de elementos del pipeline. La evaluación se realiza sobre tres dominios documentales seleccionados de forma deliberada por presentar distintas formas de organizar la información: datasheets de reguladores LDO de Texas Instruments, fichas técnicas de medicamentos de la AEMPS y fichas de datos de seguridad(SDS)enformatoREACH/CLP. Sobre estos tres corpus se definen siete tareas de extracción estructurada por dominio, evaluadas mediante accuracy contra un conjunto de respuestas de referencia anotado manualmente, es decir, un golden set, con criterios de corrección específicos por tipo de campo. Los resultados muestran que la ingestión estructural aislada no produce mejoras consistentes (oscila entre +9,5 y −3,6 puntos sobre el baseline según el dominio), mientras que la propuesta combinada conreranker mejora el baseline en los tres dominios (+11,3, +14,3 y +4,7 puntos respectivamente). El caso del dominio SDS resulta especialmente ilustrativo: el cross-encoder no actúa únicamente como mejora incremental sobre la ingestión estructural sino que corrige sus efectos negativos, lo que confirma que la contribución de los dos componentes no es simplemente aditiva. La principal aportación experimental del trabajo es la demostración, sobre tres dominios heterogéneos, de que una representación documental más fiel al layout original es una condición necesaria pero no suficiente para mejorar el rendimiento de un sistema RAG: la mejora consistente solo se materializa cuando la ingestión estructural se complementa con una etapa de reordenación semántica. Junto a este resultado, el trabajo aporta un marco experimental reproducible para la evaluación de pipelines RAG sobre documentación técnica y tres conjuntos de evaluación anotados que pueden reutilizarse en trabajos posteriores. ABSTRACT Retrieval-Augmented Generation (RAG) systems have become an established strategy for combining the generative capabilities of large language models with information retrieved from external document sources. However, applying them to technical PDF documentation reveals a frequent limitation: most pipelines convert the document to plain text and split it into fixed-size chunks, discarding the visual and hierarchical structure of the original document. This simplification may be reasonable for narrative text, but it degrades retrieval quality in technical documents, where the relevant information resides in tables, specialised sections and spatial relationships between elements. This work proposes a RAG system that combines two components to mitigate this limitation: a layout-aware ingestion stage based on Docling, which preserves the document hierarchy and treats tables as atomic units, and a candidate reranking stage based on an MS-MARCO cross-encoder, which refines the selection of fragments before invoking the final extractor. The proposal is explicitly framed in a resource-constrained scenario: all components run locally with open-source tools and modest-sized models, and the system is designed to produce deterministic and reproducible results. In order to isolate the contribution of each component, the system is compared against two additional variants (a linear-text baseline and a layout-aware pipeline without reranking), keeping the rest of the pipeline constant. The evaluation is carried out on three deliberately heterogeneous document domains: LDO regulator datasheets from Texas Instruments, drug package leaflets from the Spanish Medicines Agency (AEMPS), and Safety Data Sheets (SDS) in REACH/CLP format. Seven structured extraction tasks are defined per domain and evaluated through accuracy against a manually annotated reference set, with field-specific correction criteria. The results show that structural ingestion in isolation does not produce consistent improvements (it ranges from +9.5 to −3.6 points over the baseline depending on the domain), whereas the combined proposal with reranker improves the baseline across all three domains (+11.3, +14.3 and +4.7 points respectively). The SDS domain is particularly illustrative: the cross-encoder does not merely refine the structural ingestion incrementally but actively corrects its negative effects, confirming that the contribution of the two components is not simply additive. The main experimental contribution of this work is the demonstration, across three heterogeneous domains, that a document representation more faithful to the original layout is a necessary but not sufficient condition for improving the performance of a RAG system: consistent improvement only materialises when structural ingestion is complemented with a semantic reranking stage. In addition to this result, the work provides a reproducible experimental framework for evaluating RAG pipelines on technical documentation and three annotated evaluation sets that can be reused in future work.
Author: Moreno Mendoza, Esteban
Language: Spanish
Topic: Topic Modeling
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: green
OpenAlex ID: W7171343181