Cum funcționează, pe scurt, recunoașterea de text
O scanare este, pentru calculator, o imagine: puncte colorate, fără sens. OCR-ul — recunoașterea optică a caracterelor — parcurge imaginea, identifică zonele care conțin scris, separă rândurile și caracterele și le transformă în text. Peste acest text se construiește un index, adică o structură care permite căutarea rapidă fără a reciti fiecare document. Calitatea rezultatului depinde de sursă: un document tipărit, scanat drept, la 300 dpi, se recunoaște aproape perfect; unul fotografiat strâmb, cu umbre, sau un scris de mână se recunosc parțial. De aceea platforma păstrează întotdeauna imaginea originală alături de textul extras — textul servește căutării, imaginea rămâne documentul.
Căutare în conținut plus filtre pe metadate
Căutarea doar după text dă prea multe rezultate, iar căutarea doar după metadate presupune că cineva le-a completat corect. Combinația celor două este ce funcționează în practică. Pornești de la un cuvânt sau o expresie care apare sigur în document, apoi restrângi cu filtrele pe care le ai deja: intervalul de timp, departamentul, categoria din nomenclator, emitentul. Rezultatele afișează fragmentul de text în care s-a găsit potrivirea, ca să distingi rapid documentul căutat dintre cele asemănătoare. Aceeași căutare poate fi salvată și refolosită — util pentru verificările periodice, unde întrebarea se repetă lună de lună.
Metadate completate automat din textul recunoscut
Partea cea mai consumatoare de timp la digitalizarea unei arhive nu este scanarea, ci completarea metadatelor. OCR-ul reduce mult această muncă: din textul recunoscut se pot extrage automat câmpurile uzuale — data documentului, numărul, emitentul, suma. Ele sunt propuse, nu impuse: operatorul confirmă sau corectează. Pentru loturi mari de documente de același tip, șabloanele de extragere pot fi definite o dată și aplicate întregului lot, ceea ce transformă o operațiune de săptămâni într-una de zile.
Ce nu poate face OCR-ul și cum eviți surprizele
Este onest să spunem și limitele. Scrisul de mână se recunoaște inconstant, iar formularele completate manual rămân, în general, o problemă. Documentele cu ștampile suprapuse peste text, scanările la rezoluție mică sau paginile îndoite produc erori de recunoaștere. Practic, asta înseamnă că un cuvânt căutat poate lipsi din index deși există pe hârtie. Recomandarea este simplă: pentru categoriile critice, completează manual câteva metadate-cheie, ca regăsirea să nu depindă exclusiv de textul recunoscut, și scanează la o calitate decentă de la început — o rescanare costă mai mult decât o scanare bine făcută.
