Este artículo propone un sistema eficiente para convertir texto no estructurado en datos estructurados (tablas). Para abordar los desafíos de los modelos de lenguaje a gran escala (LLM), incluyendo el manejo de datos ambiguos o específicos del dominio, el mantenimiento de la estructura tabular, el procesamiento de entradas largas y la inferencia numérica, utilizamos una novedosa técnica de inducción que descompone la tarea en subtareas manejables y mejora las tablas generadas mediante autoretroalimentación iterativa. Este enfoque nos permite resolver el problema paso a paso, mejorando la calidad de las tablas generadas y demuestra que supera a los modelos de referencia en dos conjuntos de datos complejos de generación de texto a tabla de dominio público. También analizamos las ventajas y desventajas de la autoretroalimentación iterativa, así como las compensaciones entre la mejora del rendimiento y el coste computacional.
