BusinessExtract: Automatically Extracting Information from Business Reports

Abstract

Hoje em dia, a informação ao nosso redor cresce a uma velocidade impressionante, especialmente em empresas. Estas são uma das maiores criadoras de informação, guardando diferentes tipos de dados todos os dias, desde emails a documentos (como por exemplo Word, PDFs, etc.). Contudo, grande parte desta informação é guardada como língua natural (informação não estruturada). Então, analisar manualmente esta informação tende a ser um tarefa quase impossível. Como resultado, conseguir fazer uso dos recursos computacionais que estão à nossa disposição para automatizar este processo é crucial e traz grandes vantagens. Ser capaz de pegar num documento e extrair a informação pretendida do mesmo de forma direta e eficiente tornou-se uma necessidade. Como a Critical Software lida com bastantes fontes de informação não estruturada, benefeciaria imenso de possuir uma ferramenta que conseguisse fazer a extração da informação pretendida. Como tal, o grande objetivo deste estágio foi o desenvolvimento de uma plataforma capaz de receber texto, seja documentos sejam simples frases, considerados informação não estruturada, aplicando depois as técnicas de Processamento de Línguagem Natural e Text Mining necessárias para fazer a conversão em informação estruturada. Portanto, foi desenvolvido uma plataforma capaz de ajudar na extração de informação das mais variadas fontes. Esta plataforma permite análises em textos escritos na língua Inglesa. Além do mais, a Critical Software, dispõe agora de um sistema que pode ser facilmente integrado tanto em projetos que já estejam em andamento, como em novos.

Nowadays, the information around us grows at an impressive rate, especially in companies. They are one of the largest creators of information, storing many different types of data every day, from emails to documents (e.g., Word, PDFs, etc.). However, most of that information is being stored as natural language (or unstructured information). So, trying to analyze this information manually tends to be an almost impossible task. As a result, making use of the computational power of the machines at our disposal to automate this process is critical and a significant advantage. Being able to pick up a document and be ready to extract the intended information from it efficiently and quickly has become a necessity. Because Critical Software has to deal with several unstructured information sources, it would benefit a lot from having a way to extract the desired information from them. Therefore, the primary objective of this internship was to develop a platform capable of receiving text, in the form of documents or just simple sentences, considered unstructured information, and applying several Natural Language Processing and Text Mining techniques necessary to convert it into structured information. As such, a system with a set of tools was developed to extract knowledge from that various sources. All of the developed tools allows the analysis of texts written in the English Language. Furthermore, Critical Software has now available a system that can easily integrate with ongoing projects as well as new ones.