Kaip trumpai veikia teksto atpažinimas
Nuskaitymas kompiuteriui yra vaizdas: spalvoti taškai be prasmės. OCR — optinis simbolių atpažinimas — apeina vaizdą, identifikuoja sritis, kuriose yra rašto, atskiria eilutes ir simbolius ir paverčia juos tekstu. Ant šio teksto sukuriamas indeksas, t. y. struktūra, leidžianti greitai ieškoti nerečiant kiekvieno dokumento. Rezultato kokybė priklauso nuo šaltinio: spausdintas dokumentas, nuskenuotas tiesiai 300 dpi skyra, atpažįstamas beveik tobulai; nufotografuotas kreivai, su šešėliais, ar ranka rašytas — tik iš dalies. Todėl platforma visada išsaugo originalų vaizdą šalia išgauto teksto: tekstas tarnauja paieškai, vaizdas lieka dokumentu.
Paieška turinyje ir metaduomenų filtrai
Paieška tik pagal tekstą duoda per daug rezultatų, o paieška tik pagal metaduomenis reikalauja, kad kas nors juos teisingai užpildytų. Praktikoje veikia abiejų derinys. Pradedate nuo žodžio ar frazės, kuri tikrai yra dokumente, ir susiaurinate filtrais, kuriuos jau turite: laikotarpiu, skyriumi, klasifikavimo sąrašo kategorija, išdavėju. Rezultatuose rodomas teksto fragmentas, kuriame rasta sutapimas, kad greitai atskirtumėte ieškomą dokumentą nuo panašių. Tą pačią paiešką galima išsaugoti ir pakartoti — naudinga periodiniams patikrinimams, kai klausimas kartojasi kas mėnesį.
Metaduomenys — rankiniu būdu arba pagal sąrašą
Skaitmenizuojant archyvą dažnai daugiausia laiko atima ne nuskaitymas, o metaduomenų įvedimas. Pagrindinius laukus — dokumento datą, numerį, išdavėją, sumą — įvedate patys pagal klasifikavimo sąrašo nustatytus laukus, o operatorius juos patvirtina arba ištaiso. Platformoje laukai nėra atpažįstami iš teksto automatiškai: jų turinį nustato žmogus.
Ko OCR negali ir kaip išvengti netikėtumų
Verta pasakyti ir ribas. Ranka rašytas tekstas atpažįstamas nevienodai, o rankiniu būdu pildomos formos paprastai lieka problema. Dokumentai su antspaudais, uždengiančiais tekstą, mažos skyros nuskaitymai ar sulankstyti puslapiai sukelia atpažinimo klaidas. Praktiškai tai reiškia, kad ieškomas žodis gali nebūti indekse, nors popieriuje jis yra. Rekomendacija paprasta: kritinėms kategorijoms rankiniu būdu užpildykite keletą pagrindinių metaduomenų, kad radimas nepriklausytų vien nuo atpažinto teksto, ir nuskaitykite pakankama kokybe nuo pat pradžios — pakartotinis nuskaitymas kainuoja daugiau nei gerai atliktas.
