Contexto del Proyecto: DARDE/DARDO Automator para ONG (ACH)

1. Objetivo Principal

Somos un equipo participando en una hackatón. Estamos desarrollando un pipeline automatizado (backend) en Python para una ONG (ACH). El sistema procesa documentos de desempleo españoles (DARDE/Madrid, DARDO/Cataluña) subidos por usuarios vulnerables. El objetivo es extraer fechas clave mediante IA (Vision Language Models) y evaluar si el documento es válido para entrar en un programa de empleabilidad, eliminando el cuello de botella de la revisión manual.

2. Restricciones Técnicas y de Negocio (¡MUY IMPORTANTE!)

• Privacidad (RGPD): CERO extracción de PII (Nombres, DNI, Direcciones). Solo nos interesan las fechas. Las imágenes se procesan en memoria y se descartan.
• Formato de Salida: Todas las extracciones de la IA deben ser parseadas a un JSON estricto.
• Fail-Fast: El sistema debe identificar rápido si la imagen es ilegible o no es un documento válido antes de intentar extraer fechas.

3. Lógica de Validación (Core Business Rule)

Para que un documento sea válido, debe cumplir la siguiente regla matemática con respecto a la fecha de inicio ficticia del programa (2025-03-01): Fecha de Inscripción Inicial < 2025-03-01 < Primera Fecha de Renovación

4. Stack Tecnológico

• Lenguaje: Python 3.10+
• IA/Inferencia: Ollama local (ej. qwen-vl o llama3.2-vision) para extracción zero-shot, o fallback a APIs cloud ligeras.
• Librerías clave esperadas: Pydantic (para estructurar el output del LLM), Pillow (manejo de imágenes base64), python-dateutil (para normalizar fechas difusas).

5. Estructura del Pipeline que vamos a construir

1. ingestion.py: Recibe la imagen (simulada desde una carpeta local).
2. classifier.py: Verifica si la imagen tiene calidad suficiente y parece un documento oficial.
3. extractor.py: Envía la imagen + Prompt al VLM para extraer las dos fechas en JSON.
4. validator.py: Normaliza las fechas a formato ISO (YYYY-MM-DD) y aplica la regla del 2025-03-01. Devuelve un estado: VÁLIDO, NO VÁLIDO, o REQUIERE REVISIÓN HUMANA (HITL).
5. export.py: Guarda el resultado final en un archivo CSV/JSON con los campos: [id_documento, fecha_inscripcion, fecha_renovacion, estado_validacion, motivo, nivel_confianza].

6. Instrucciones para el Copilot

• Actúa como un Arquitecto de Software y un Ingeniero de Datos Senior.
• Escribe código modular, con tipado estricto (Type Hints) y docstrings.
• Anticípate a los errores comunes de OCR (fechas mal leídas, formatos como "12 de mayo de 2024" vs "12/05/2024").
• Prioriza el manejo de excepciones (try/except) para que el pipeline no se rompa si un documento falla.