Wie die Texterkennung kurz zusammengefasst funktioniert
Für einen Computer ist ein Scan ein Bild: farbige Punkte, ohne Bedeutung. Text ist erst durchsuchbar, wenn er als Text vorliegt: Ein digitales PDF enthält ihn bereits, ein Scan braucht zuerst eine Textebene aus einem separaten Erkennungsschritt. Sobald der Text im Dokument liegt, baut die Plattform darauf einen Index auf, also eine Struktur, die eine schnelle Suche ermöglicht, ohne jedes Dokument erneut zu lesen. Die Plattform bewahrt die Originaldatei immer neben der Textebene auf: Der Text dient der Suche, die Datei bleibt das Dokument.
Inhaltliche Suche plus Metadatenfilter
Eine reine Textsuche liefert zu viele Ergebnisse, und eine reine Metadatensuche setzt voraus, dass jemand sie korrekt ausgefüllt hat. Die Kombination beider ist das, was in der Praxis funktioniert. Sie beginnen mit einem Wort oder einer Formulierung, die sicher im Dokument vorkommt, und grenzen dann mit den bereits vorhandenen Filtern ein: Zeitraum, Abteilung, Kategorie aus dem Aktenplan, Aussteller. Die Ergebnisse zeigen den Textausschnitt, in dem der Treffer gefunden wurde, damit Sie das gesuchte Dokument schnell von ähnlichen unterscheiden können. Dieselbe Suche kann gespeichert und wiederverwendet werden — nützlich für regelmäßige Kontrollen, bei denen sich die Frage Monat für Monat wiederholt.
Aus dem erkannten Text automatisch ausgefüllte Metadaten
Der zeitaufwendigste Teil der Digitalisierung eines Archivs ist nicht das Scannen, sondern das Ausfüllen der Metadaten. Bei Dokumenten mit Text lassen sich Datum, Nummer, Aussteller und Betrag aus dem Text vorschlagen; eine Extraktionsvorlage mit den Feldregeln Ihrer Belege legen Sie je Dokumentart einmal fest. Die Werte werden vorgeschlagen, nicht vorgegeben: Der Bearbeiter bestätigt oder korrigiert sie. Gescannte Dokumente ohne Textebene werden von Hand erfasst. Für große Stapel desselben Typs wird die Vorlage auf den gesamten Stapel angewendet, wodurch aus einer Aufgabe von Wochen eine von Tagen wird.
Was die Suche nicht kann und wie Sie Überraschungen vermeiden
Es gehört zur Ehrlichkeit, auch die Grenzen zu benennen. Handschrift wird uneinheitlich erkannt, und handschriftlich ausgefüllte Formulare bleiben im Allgemeinen ein Problem. Dokumente mit Stempeln, die den Text überlagern, niedrig aufgelöste Scans oder geknickte Seiten führen zu Erkennungsfehlern. Praktisch bedeutet das, dass ein gesuchtes Wort im Index fehlen kann, obwohl es auf dem Papier steht. Die Empfehlung ist einfach: Tragen Sie für kritische Kategorien einige Schlüssel-Metadaten manuell ein, damit das Auffinden nicht ausschließlich vom erkannten Text abhängt, und scannen Sie von Anfang an in angemessener Qualität — ein erneutes Scannen kostet mehr als ein gleich gut ausgeführter erster Scan.
