Como funciona o reconhecimento de texto, em resumo
Para um computador, uma digitalização é uma imagem: pontos coloridos, sem significado. O texto só fica pesquisável quando existe como texto: um PDF digital já o contém, uma digitalização precisa primeiro de uma camada de texto, produzida por um passo de reconhecimento separado. Quando o texto está no documento, a plataforma constrói sobre ele um índice — uma estrutura que permite pesquisar depressa sem reler cada documento. A plataforma guarda sempre o ficheiro original ao lado da camada de texto — o texto serve a pesquisa, o ficheiro continua a ser o documento.
Pesquisa por conteúdo e filtros de metadados
A pesquisa apenas por texto devolve resultados em excesso, e a pesquisa apenas por metadados pressupõe que alguém os preencheu corretamente. Na prática, funciona a combinação das duas. Parte de uma palavra ou frase que certamente aparece no documento e restringe depois com os filtros que já tem: o intervalo de datas, o departamento, a categoria do calendário de conservação, o emissor. Os resultados mostram o excerto do texto onde a correspondência foi encontrada, para distinguir rapidamente o documento que procura dos semelhantes. A mesma pesquisa pode ser guardada e reutilizada — útil nas verificações periódicas, em que a pergunta se repete mês após mês.
Metadados preenchidos automaticamente a partir do texto reconhecido
A parte mais demorada da digitalização de um arquivo não é a digitalização, é o preenchimento dos metadados. Nos documentos com texto, a data, o número, o emissor e o montante podem ser propostos a partir desse texto. São propostos, não impostos: o operador confirma-os ou corrige-os. As digitalizações sem camada de texto preenchem-se à mão. Para grandes lotes de documentos do mesmo tipo, os modelos de extração podem ser definidos uma vez e aplicados a todo o lote, transformando uma tarefa de semanas numa de dias.
O que a pesquisa não consegue fazer, e como evitar surpresas
Só é honesto indicar também os limites. A escrita manual é reconhecida de forma irregular, e os formulários preenchidos à mão continuam, em geral, a ser um problema. Carimbos sobrepostos ao texto, digitalizações de baixa resolução ou páginas dobradas produzem erros de reconhecimento. Na prática, isto significa que uma palavra pesquisada pode não estar no índice mesmo estando no papel. A recomendação é simples: nas categorias críticas, preencha à mão alguns campos-chave dos metadados, para que a localização não dependa apenas do texto reconhecido, e digitalize desde o início com qualidade razoável — voltar a digitalizar custa mais do que digitalizar bem à primeira.
