Buscador documental interno para el servidor de tu empresa
Tus documentos ya están donde tienen que estar. El problema es encontrarlos. Instalo un buscador dentro de tu red que lee el contenido de las carpetas que ya tienes y devuelve el documento que buscas, sin mover nada de sitio y sin que salga un solo fichero de la empresa.
El problema
El documento está. Encontrarlo es el problema
Llama el cliente por una pieza que le suministraste en 2019 y quiere el plano revisado. Está en el servidor, eso lo sabes. También sabes que hay carpetas por año, por cliente y por proyecto, que alguien duplicó la de 2019 cuando se cambió de sistema y que el plano bueno igual está dentro de un PDF escaneado que se llama doc0043.pdf.
Así que subes a preguntar quién lo llevó, y quien lo llevó ya no trabaja aquí. Entre unos y otros se va la mañana. Al final aparece, porque siempre aparece, pero ha costado tres personas y medio día.
El buscador del explorador de Windows no ayuda, porque busca por nombre de fichero. Y el nombre de fichero es justo lo que nadie recuerda.
Qué es
Un buscador que lee dentro de tus documentos
Un buscador que se instala en tu servidor o en tu NAS y recorre las carpetas que le indiques. Lee el contenido de cada documento, no solo su nombre, y construye un índice. A partir de ahí buscas como buscarías en Google, pero contra tus propios documentos y desde el navegador de cualquier ordenador de la red.
Cómo busca
El índice es híbrido. Por un lado guarda las palabras exactas, con el mismo tipo de cálculo que usan los buscadores clásicos para decidir qué documento es más relevante. Por otro guarda una representación del significado de cada fragmento, de modo que buscar «tolerancia del eje» encuentre también el documento que habla de «holgura del árbol de transmisión».
Esa segunda parte, la del significado, es lo caro de calcular. Y se calcula una sola vez, mientras se indexa. Cuando tú buscas, ya está hecho. Por eso el buscador no necesita tarjeta gráfica y por eso no llama a ningún servicio externo: no hay nada que consultar fuera, porque todo está ya en el índice.
Funciona sin internet
Si se cae la línea, el buscador sigue buscando igual.
Ningún documento sale de tu red
No hay nada que enviar a ninguna parte, ni para indexar ni para buscar.
Buscar no cuesta dinero
No hay cuota por consulta ni por usuario. Dárselo a toda la empresa cuesta lo mismo que a tres personas.
Límites
Qué no es
Prefiero decirlo antes de la llamada y no después de la factura.
No es un chat
Devuelve documentos, con su ruta y el fragmento donde aparece lo que buscabas. No redacta respuestas ni resume, porque un resumen que se equivoca en un certificado es peor que no tener nada.
No te obliga a migrar
No hay que subir nada a la nube ni reorganizar las carpetas. Trabaja sobre la estructura que tienes, con sus defectos incluidos.
No sustituye a tu gestor documental
Si ya tienes uno, sigue siendo el sitio donde se archiva. Esto es la capa que encuentra.
Permisos
Permisos: lo que hace y lo que no
El buscador respeta los permisos que ya tiene tu servidor. Cada persona ve en los resultados lo que vería abriendo la carpeta con su usuario, ni un documento más.
Y ahora la parte incómoda: no los corrige. Si hoy tienes una carpeta de nóminas abierta a toda la empresa, el buscador la va a encontrar y va a mostrarla a quien busque. No la estará abriendo, ya estaba abierta y cualquiera podía llegar a ella navegando. Lo que hace el buscador es que se note.
Suele ser la conversación más útil de todo el proyecto. Si al revisarlo aparece algo que no debería estar abierto, se arregla antes de indexar.
Requisitos
Requisitos
Qué hace falta
- Una unidad de red o un NAS con los documentos
- Una máquina que pueda quedarse encendida durante la indexación inicial
- Permiso de lectura sobre las carpetas que se vayan a indexar
Qué no hace falta
- Tarjeta gráfica
- Conexión a internet
- Cambiar de programas, de carpetas o de forma de archivar
- Instalar nada en los puestos de trabajo
Sobre potencia: el equipo de referencia con el que están medidos los tiempos es un portátil de 2020 con procesador de ocho núcleos y 16 GB de memoria. No hace falta comprar un servidor nuevo.
El proceso
Cómo se trabaja, en 3 pasos
01
Auditoría de la documentación
Recorro tus carpetas en solo lectura y mido lo que hay: cuántos documentos, cuántas páginas, cuántas están escaneadas y cuánto va a costar indexarlas. No se instala nada en tu red y no se copia ni se conserva ningún documento. Sale un informe con cifras.
Cuesta 400 €, y se descuentan enteros del precio de la instalación si seguimos adelante.
02
Indexación
Con los números encima de la mesa, se instala y se lanza la primera indexación. Va en segundo plano y la empresa sigue trabajando mientras tanto. A partir de ahí, los documentos nuevos se van añadiendo solos.
Repartiendo el reconocimiento de texto entre los núcleos del procesador, la mayoría de archivos se indexan en menos de dos días de máquina encendida.
03
Entrega
Te enseño a buscar, que se aprende en diez minutos, y dejo la documentación por escrito en castellano. Queda funcionando en tu red, sin dependencias de fuera y sin cuota obligatoria.
La auditoría
Qué recibes con la auditoría
El informe es tuyo tanto si me contratas como si no. Si decides no seguir, te quedas con una radiografía de tu documentación que nadie te había hecho, y puedes llevártela a quien quieras.
Inventario completo
Cuántos documentos hay, cuántos gigabytes ocupan y cómo se reparten por formato.
Páginas totales y páginas que necesitan OCR
Con su margen de error. No es una impresión: es un muestreo del 20 % de cada carpeta, con un mínimo de 10 documentos por carpeta, y el margen se da al 95 % de confianza.
Desglose por carpeta
Ordenado por las que concentran el trabajo. Casi siempre hay dos o tres que se llevan la mayor parte.
Tiempo estimado de indexación
En horas de máquina encendida y en días.
Escenarios de exclusión
Cuánto baja el tiempo si se deja fuera el archivo histórico, o las copias de seguridad, o esa carpeta de 2008 que no abre nadie.
Observaciones que cambian el proyecto
Documentos duplicados, ficheros ilegibles o protegidos con contraseña, comprimidos que nadie ha abierto, formatos antiguos y documentos que solo existen en la nube.
Requisitos de seguridad a resolver antes de instalar
Comprobados en la propia máquina donde iría el buscador, no supuestos.
El presupuesto de instalación llega después, en documento aparte, cuando el informe ya está en tu poder y las cifras son conocidas por los dos.
Precio
De qué depende el precio
No publico el precio de la instalación porque depende de cinco cosas que nadie conoce hasta medirlas, ni tú ni yo. Estas son.
01
El volumen
Cuántos gigabytes y, sobre todo, cuántos documentos. Medio terabyte de planos pesados no da el mismo trabajo que medio terabyte repartido en cientos de miles de ficheros pequeños. Lo que cuenta para el esfuerzo es el número de páginas, no el tamaño en disco.
02
El porcentaje que necesita OCR
Es el factor que más mueve el precio, y con diferencia. Un PDF nativo se indexa leyendo el texto que ya lleva dentro: unas cinco centésimas de segundo por página, nada. Un PDF escaneado es una fotografía de una hoja, y hay que revelar la imagen y reconocer el texto, entre 3 y 4 segundos por página. La diferencia es de casi cien veces. Ahora bien, el reconocimiento se reparte entre los núcleos del procesador, y con seis trabajando a la vez la media efectiva baja a un segundo por página. Con 100.000 páginas escaneadas son unas 28 horas de proceso. Y la calidad no es uniforme: un albarán escaneado derecho y con buena tinta sale bien; un plano de los ochenta con anotaciones a mano y un sello encima, no siempre.
03
Los formatos
Los PDF y los ficheros de Office son directos. Los planos en formato CAD, los correos archivados y las bases de datos de programas antiguos son trabajo aparte, y a veces no compensa: si el archivo de correo de 2011 no lo abre nadie, quizá no haya que indexarlo.
04
Los permisos
Si en tu empresa todo el mundo ve las mismas carpetas, es sencillo. Si hay que reproducir permisos por departamento, con excepciones y carpetas compartidas a medias, son días de trabajo de configuración y de pruebas, porque cada caso hay que comprobarlo con un usuario real.
05
El estado de las carpetas
Los duplicados no impiden indexar, pero ensucian: buscas un contrato y te salen cuatro resultados que son el mismo documento en cuatro sitios. Se puede indexar tal cual o limpiar antes. Es una decisión tuya, y la auditoría te da los números para tomarla.
Esos cinco factores son exactamente lo que mide la auditoría. Por eso existe, y por eso el precio de la instalación se cierra después de hacerla y no antes.
Dudas
Preguntas frecuentes sobre el buscador
¿En qué se diferencia del buscador de Windows?
El explorador busca por nombre de fichero y, con suerte, dentro de los documentos de Office que tenga indexados. No entra en los PDF escaneados, que en una empresa industrial suelen ser buena parte del archivo. Este busca dentro del contenido de todos, escaneados incluidos, porque se les pasa reconocimiento de texto al indexar.
¿Qué pasa si mis documentos están en la nube y no en el servidor?
Entonces este buscador probablemente no es lo que necesitas, y te lo digo en la llamada. Si todo tu archivo vive en un servicio de nube, ya tienes una búsqueda incluida y lo lógico es exprimir esa antes de montar nada. El caso en el que esto compensa es el habitual en industria: un servidor de ficheros o un NAS con años de documentación encima. Si tienes las dos cosas, se indexa la parte del servidor y la nube se deja como está.
¿Qué formatos se indexan?
PDF, los formatos de Word, Excel y PowerPoint tanto actuales como antiguos, texto plano, correos guardados con sus adjuntos, y las imágenes escaneadas en TIFF, JPG y PNG. Los planos en formato CAD, las bases de datos de programas propios y los ficheros comprimidos se miran caso por caso, porque a veces compensa y a veces no.
¿Qué pasa si mis documentos están escaneados?
Se indexan igual, pero cuestan más. Un documento escaneado es una imagen, así que hay que reconocer el texto antes de poder buscarlo: entre 3 y 4 segundos por página, que repartidos entre los núcleos del procesador quedan en torno a un segundo. Es el factor que más peso tiene en el presupuesto, y por eso la auditoría cuenta las páginas escaneadas en lugar de estimarlas a ojo.
¿Cuánto cuesta la auditoría y qué me llevo?
Cuesta 400 € y se descuentan enteros del precio de la instalación si seguimos adelante. Te llevas un informe con el inventario de tu documentación, cuántas páginas necesitan reconocimiento de texto, el tiempo estimado de indexación, el desglose por carpeta y las observaciones que encuentre por el camino. El informe es tuyo tanto si me contratas como si no.
¿Por qué no publicas el precio de la instalación?
Porque depende de cosas que no se saben hasta medirlas: el número de páginas, qué parte está escaneada, qué formatos raros hay, cómo están los permisos y en qué estado están las carpetas. Publicar una cifra sin eso sería un número inventado que luego habría que corregir al alza, y prefiero no empezar así. El precio se cierra por escrito cuando la auditoría está hecha.
¿Puede cualquiera ver cualquier documento?
No. El buscador respeta los permisos que ya tiene el servidor, y cada persona ve en los resultados lo mismo que vería abriendo las carpetas con su usuario. Lo que no hace es corregirlos: si una carpeta está hoy abierta a toda la empresa, seguirá estándolo y aparecerá en las búsquedas. Cuando eso sale en la auditoría, se arregla antes de indexar.
¿Necesito comprar un servidor nuevo o una tarjeta gráfica?
No. Los tiempos que doy están medidos en un portátil de 2020 con ocho núcleos y 16 GB de memoria. El cálculo pesado se hace una sola vez, durante la indexación inicial, y a partir de ahí buscar consume muy poco. Lo único que hace falta es una máquina que pueda quedarse encendida mientras dura esa primera indexación.
¿Hace falta conexión a internet?
No, ni para indexar ni para buscar. Todo el proceso ocurre dentro de tu red, y por eso ningún documento sale de la empresa. Si un día se cae la línea, el buscador sigue funcionando igual que el resto del tiempo.
¿Tengo que mover o reorganizar mis carpetas?
No. Se indexa la estructura que ya tienes, con los nombres que ya tiene. Si aprovechando el proyecto quieres limpiar duplicados o reordenar, la auditoría te dice dónde están y cuánto ocupan, pero es opcional y no condiciona la instalación.
¿Qué pasa con los documentos nuevos?
Se añaden solos. Después de la indexación inicial, que es la larga, el buscador revisa periódicamente las carpetas y solo procesa lo que ha cambiado, que suele ser cuestión de minutos. No hay que acordarse de hacer nada.
¿Cuánto ocupa el índice?
Mucho menos de lo que la gente espera. En la implantación que tengo medida, 560 GB de documentos producen un índice de 3 GB, medio punto porcentual del original. No hay que reservar espacio pensando en que va a duplicar el archivo, porque no lo hace.
Quién está detrás
Raül Sanchis Alcover
Ingeniero electrónico industrial y automático por la Universitat Politècnica de València, con máster en inteligencia artificial por la UNIR.
Trabajo solo, y es a propósito. Quien hace la auditoría, quien instala el buscador en tu servidor y quien te coge el teléfono seis meses después somos la misma persona. No hay un comercial que prometa una cosa ni un equipo de soporte que no sepa de qué le hablas.
Lo que eso significa en la práctica: acepto los proyectos que puedo atender bien, y cuando algo no me encaja lo digo en la primera llamada en lugar de estirarlo.
¿Tiene sentido en tu caso?
Treinta minutos, gratis y sin compromiso. Me cuentas dónde tienes la documentación y cuánto archivo escaneado hay, y te digo si esto encaja. Si creo que no, te lo digo en la misma llamada.