Jak rozpoznávání textu funguje, stručně
Pro počítač je sken obrázek: barevné tečky bez významu. Text je prohledatelný až tehdy, když existuje jako text: digitální PDF ho obsahuje už dnes, sken nejprve potřebuje textovou vrstvu z odděleného kroku rozpoznávání. Jakmile je text v dokumentu, platforma na něm vytvoří index — strukturu, která umožňuje rychlé vyhledávání bez opětovného čtení každého dokumentu. Platforma vždy uchovává původní soubor vedle textové vrstvy — text slouží vyhledávání, soubor zůstává dokumentem.
Vyhledávání podle obsahu a filtry metadat
Vyhledávání jen podle textu vrátí příliš mnoho výsledků a vyhledávání jen podle metadat předpokládá, že je někdo vyplnil správně. V praxi funguje kombinace obojího. Začnete slovem nebo frází, která se v dokumentu určitě vyskytuje, a pak zúžíte pomocí filtrů, které již máte: časové období, oddělení, kategorie spisového plánu, vystavitel. Výsledky zobrazují úryvek textu, kde se shoda našla, takže rychle rozlišíte hledaný dokument od podobných. Stejné hledání lze uložit a znovu použít — hodí se pro pravidelné kontroly, kde se otázka opakuje měsíc za měsícem.
Metadata vyplněná automaticky z rozpoznaného textu
Nejzdlouhavější částí digitalizace archivu není skenování, ale vyplňování metadat. U dokumentů s textem lze běžná pole — datum, číslo, vystavitel, částka — navrhnout přímo z textu. Jsou navržena, ne vnucena: obsluha je potvrdí nebo opraví. Skeny bez textové vrstvy se vyplňují ručně. U velkých dávek dokumentů stejného typu lze šablony vytěžení nadefinovat jednou a použít na celou dávku, takže úkol na týdny se změní na úkol na dny.
Co vyhledávání neumí a jak se vyhnout překvapením
Je jen poctivé uvést i limity. Rukopis se rozpoznává nestejnoměrně a ručně vyplňované formuláře obecně zůstávají problémem. Razítka přes text, skeny s nízkým rozlišením nebo přehnuté stránky způsobují chyby rozpoznání. V praxi to znamená, že hledané slovo může v indexu chybět, i když je na papíře. Doporučení je jednoduché: u kritických kategorií vyplňte ručně několik klíčových polí metadat, aby vyhledání nezávisělo jen na rozpoznaném textu, a skenujte od začátku v rozumné kvalitě — přeskenování stojí víc než dobré naskenování napoprvé.
