Mejora del análisis de propuestas legislativas para una institución pública

Una institución pública se vio inundada de miles de propuestas de enmiendas legislativas al presupuesto nacional cada año. La revisión y el análisis manuales de estas propuestas consumían mucho tiempo y recursos. El equipo se enfrentó a varios desafíos:

• Volumen de propuestas: Con más de 2.000 propuestas al año, era casi imposible evaluar minuciosamente cada una de ellas de manera oportuna.
• Detección de redundancia: Fue difícil identificar las propuestas similares o duplicadas presentadas a lo largo de los años, lo que llevó a evaluaciones repetitivas.
• Categorización: Organizar las propuestas en categorías pertinentes para una mejor evaluación y delegación era un proceso manual propenso a errores.
• Asignación de recursos: Los limitados recursos de personal dificultaban centrarse en las propuestas con el impacto más significativo.

El cliente necesitaba una solución eficiente para automatizar el proceso de análisis, reducir la redundancia y centrarse en las propuestas de alta prioridad.

‍

Se desarrolló un sistema automatizado que aprovecha el procesamiento avanzado del lenguaje natural (NLP) y las técnicas de aprendizaje automático. El enfoque incluyó:

1. Recopilación y análisis de datos:
   • Recolectó propuestas de enmiendas legislativas en formato PDF de los últimos tres años.
   • Desarrollé un analizador para extraer texto de archivos PDF, solucionando varios problemas de formato.
2. Resumen del texto:
   • Utilizó los modelos GPT de OpenAI para generar resúmenes concisos de cada propuesta.
   • Los resúmenes asegurados se centraron en los cambios legislativos clave sin detalles innecesarios.
3. Categorización de propuestas:
   • Definimos un conjunto de categorías relevantes (por ejemplo, educación, salud, infraestructura).
   • Implementé un modelo de categorización para asignar cada propuesta a la categoría más apropiada o marcarla para su revisión si no existía una categoría adecuada.
4. Análisis de incrustación y similitud:
   • Se generaron incrustaciones para los resúmenes de las propuestas a fin de captar el significado semántico.
   • Se calculó la similitud del coseno entre las incrustaciones para identificar propuestas similares o duplicadas.
   • Umbrales establecidos para determinar la equivalencia y la relevancia.
5. Hacer coincidir las nuevas propuestas con las presentaciones anteriores:
   • Comparó las nuevas propuestas con la base de datos histórica para detectar redundancias.
   • Proporcionó recomendaciones sobre si revisar, aceptar o ignorar las propuestas en función de las puntuaciones de similitud.
6. Automatización y procesamiento por lotes:
   • Aprovechó las capacidades de procesamiento por lotes para gestionar grandes volúmenes de datos de manera eficiente.
   • Se implementaron el manejo de errores y los reintentos para garantizar la solidez.

La solución ofrecida fue un sistema integrado que automatizó el análisis de las propuestas de enmiendas legislativas:

• Análisis automático: Extrajo texto de archivos PDF y gestionó las excepciones con elegancia.
• Resumen impulsado por IA: Generó resúmenes claros y concisos para una comprensión rápida.
• Categorización eficiente: Asignó propuestas a categorías predefinidas, lo que ayudó a organizar las revisiones.
• Coincidencia de similitud: Se identificaron las principales coincidencias entre las propuestas anteriores para reducir la redundancia.
• Salidas fáciles de usar: Elaboró informes con hipervínculos para acceder fácilmente a los detalles de la propuesta.
• Arquitectura escalable: Diseñado para gestionar volúmenes de datos cada vez mayores sin comprometer el rendimiento

‍

La implementación del sistema de análisis automatizado supuso importantes mejoras:

• Ahorro de tiempo: Redujo el tiempo de revisión manual en más de un 70%, lo que permitió al personal centrarse en propuestas de alto impacto o propuestas que eran completamente nuevas.
• Consistencia mejorada: Proporcionó resúmenes y categorizaciones estandarizados, lo que mejoró la coherencia de la toma de decisiones.
• Reducción de redundancia: Identificó y eliminó las propuestas duplicadas, simplificando el proceso legislativo.
• Optimización de recursos: Asignó los recursos de personal de manera más eficaz al destacar las propuestas prioritarias.
• Perspectivas basadas en datos: Permitió el análisis de datos sobre las tendencias de las propuestas a lo largo de los años, lo que sirvió de base para futuras decisiones políticas.

‍

‍

‍