El escándalo de los ‘Panama Papers’ que ha filtrado documentos del bufete panameño Mossack Fonseca y que ha dejado al descubierto los paraísos fiscales de muchos líderes políticos y otras personalidades está marcando la actualidad informativa estos días.

El software que ha ayudado a filtrar esos documentos tan valiosos provenía de la compañía Nuix, con sede en Australia. Carl Barron, consultor senior de Nuix, nos ha contado información sobre cómo se ha desarrollado toda esta historia. La empresa, Nuix, tiene una fuerte relación con el International Consortium Investigate Journalists (ICIJ) desde hace más de cinco años, incluyendo una alianza con la corporación Australian Firepower contra el fraude. El ICIJ recomendó a Nuix al diario alemán Süddeutsche Zeitung (SZ), con el que han colaborado durante la investigación de los pagos de Panamá.

 “SZ nos consultó y trabajamos juntos en el hardware y los procesos de trabajo”, explicó Barron. “Nos involucramos con ambas partes, tanto con SZ como con el ICIJ. La investigación actual empezó en septiembre del año pasado, aunque no creo que los datos llegaran en un gran lote. Nos llevaría un día y medio indexar los 11.5 millones de documentos de la colección de 2.6 terabytes”. Los datos recogidos por el ICIJ y el SZ contenían algunos retos en cuando a reconocimiento óptico de caracteres (OCR). “Eran datos electrónicos algunos de ellos, pero basados en documentos en papel. Había una gran cantidad de correos electrónicos. En total, unos 11.5 millones de documentos y cerca de cinco millones de correos. Había documentos PDF e imágenes que necesitaban el OCR para convertir el texto en formato electrónico”, explicó Barron.

Indexación de documentos

Nuix se utilizó para indexar documentos, buscarlos e identificar las relaciones entre ellos. “Nuix es una potente herramienta de indexación que extrae textos y metadatos de los documentos, para luego poder hacer consultas muy simples o muy complejas o encontrar la relación entre nombres que aparecen en los documentos o los remitentes de otros correos electrónicos”, comentó Barron.

El proyecto empezó con una pequeña computadora y posteriormente SZ compró un servidor Windows para procesar los datos. El tamaño del volumen de datos era “bastante normal. No es una gran cantidad de datos pero entiendo que había una gran cantidad de OCR  por lo que el reto se convirtió en descubrir lo que era basura y lo que no”. Tras un despliegue inicial de consultoría en hardware y flujo de trabajo, SZ y el ICIJ estaban preparados para analizar el tesoro tras un firewall que mantuviera su trabajo en privado.

Para Barron, aún hay margen para futuras revelaciones cuando los periodistas e investigadores consigan añadir más criterios de búsqueda y encontrar nuevas relaciones entre los nombres y los datos.

-Computerworld España