autogen test

This commit is contained in:
2025-12-16 00:07:00 +01:00
parent 5862a69ac2
commit f22ae02ed5
7 changed files with 149 additions and 147 deletions

View File

@@ -1,8 +1,8 @@
# 1. Introducción
# Introducción
Este capítulo presenta la motivación del trabajo, identificando el problema a resolver y justificando su relevancia. Se plantea la pregunta de investigación central y se describe la estructura del documento.
## 1.1. Motivación
## Motivación
El Reconocimiento Óptico de Caracteres (OCR) es una tecnología fundamental en la era de la digitalización documental. Su capacidad para convertir imágenes de texto en datos editables y procesables ha transformado sectores como la administración pública, el ámbito legal, la banca y la educación. Sin embargo, a pesar de los avances significativos impulsados por el aprendizaje profundo, la implementación práctica de sistemas OCR de alta precisión sigue presentando desafíos considerables.
@@ -12,7 +12,7 @@ Los modelos OCR basados en redes neuronales profundas, como los empleados en Pad
La presente investigación surge de una necesidad práctica: optimizar un sistema OCR para documentos académicos en español sin disponer de recursos GPU para realizar fine-tuning. Esta restricción, lejos de ser una limitación excepcional, representa la realidad de muchos entornos académicos y empresariales donde el acceso a infraestructura de cómputo avanzada es limitado.
## 1.2. Planteamiento del trabajo
## Planteamiento del trabajo
El problema central que aborda este trabajo puede formularse de la siguiente manera:
@@ -35,7 +35,7 @@ La relevancia de este problema radica en su aplicabilidad inmediata. Una metodol
- Pequeñas y medianas empresas que automatizan flujos documentales
- Desarrolladores que integran OCR en aplicaciones con restricciones de recursos
## 1.3. Estructura del trabajo
## Estructura del trabajo
El presente documento se organiza en los siguientes capítulos: