Kako prepoznavanje teksta radi, ukratko
Za računalo je skeniranje slika: točkice bez značenja. OCR — optičko prepoznavanje znakova — pregledava sliku, pronalazi područja s pisanim tekstom, odvaja retke i znakove i pretvara ih u tekst. Nad tim tekstom gradi se indeks, odnosno struktura koja omogućuje brzo pretraživanje bez ponovnog čitanja svakog dokumenta. Kvaliteta rezultata ovisi o izvoru: tiskani dokument skeniran ravno, na 300 dpi, prepoznaje se gotovo savršeno; fotografija nagnuta, sjenovita ili rukopis prepoznaju se djelomično. Zato platforma uvijek čuva originalnu sliku uz izvučeni tekst — tekst služi pretrazi, slika ostaje dokument. Hrvatski skenovi ne prolaze OCR; za njih se tekst mora dodati tekstualnim slojem ili ručno provjeriti.
Pretraga u sadržaju uz filtre po metapodacima
Pretraga samo po tekstu daje previše rezultata, a pretraga samo po metapodacima pretpostavlja da ih je netko točno popunio. Najbolje radi kombinacija. Počnete s riječju ili izrazom koji sigurno stoji u dokumentu, a zatim sužavate filtrima koje već imate: vremenskim razdobljem, odjelom, kategorijom iz popisa, izdavateljem. Rezultati prikazuju odlomak teksta u kojem je pronađeno podudaranje, pa brzo razlikujete traženi dokument od sličnih. Istu pretragu možete spremiti i ponovno koristiti — korisno za periodične provjere na koje se pitanje vraća iz mjeseca u mjesec.
Metapodaci iz prepoznatog teksta
Najviše vremena pri digitalizaciji arhive ne oduzima skeniranje, nego popunjavanje metapodataka. Za rumunjske dokumente OCR tu uvelike pomaže: iz prepoznatog teksta mogu se izvući uobičajena polja — datum, broj, izdavatelj, iznos. Ona se predlažu, a ne nameću: korisnik potvrđuje ili ispravlja. Za veće serije istovrsnih rumunjskih dokumenata predlošci izvlačenja mogu se definirati jednom i primijeniti na cijelu seriju. Za hrvatske dokumente metapodatke unosite ručno ili uz provjeru.
Što OCR ne može i kako izbjeći iznenađenja
Iskreno je reći i granice. Rukopis se prepoznaje nedosljedno, a formulari popunjeni rukom uglavnom ostaju problem. Pečati preko teksta, skeniranja niske razlučivosti i presavijene stranice izazivaju pogreške prepoznavanja. U praksi to znači da tražena riječ može nedostajati u indeksu iako postoji na papiru. Preporuka je jednostavna: za kritične kategorije ručno upišite nekoliko ključnih metapodataka, da pronalaženje ne ovisi isključivo o prepoznatom tekstu, i skenirajte od početka u dobroj kvaliteti — ponovno skeniranje košta više od dobro napravljenog skeniranja.
