Hvordan tekstgjenkjenning fungerer, kort
For en datamaskin er en skanning et bilde: punkter uten mening. OCR, optisk tegngjenkjenning, går gjennom bildet, finner områdene som inneholder skrift, skiller linjene og tegnene og gjør dem om til tekst. Oppå denne teksten bygges en indeks, altså en struktur som gjør det mulig å søke raskt uten å lese hvert dokument på nytt. Kvaliteten avhenger av kilden: et trykt dokument som er skannet rett, med 300 dpi, gjenkjennes nesten feilfritt; et skjevt fotografert dokument med skygger, eller et håndskrevet, gjenkjennes bare delvis. Derfor beholder plattformen alltid det opprinnelige bildet ved siden av den utpakkede teksten: teksten tjener søket, bildet er fortsatt dokumentet.
Søk i innhold pluss filtre på metadata
Søk bare på tekst gir for mange treff, og søk bare på metadata forutsetter at noen har fylt dem ut riktig. Kombinasjonen er det som fungerer i praksis. Du starter med et ord eller et uttrykk som sikkert finnes i dokumentet, og begrenser så med filtrene du allerede har: tidsrom, avdeling, kategori i arkivplanen, avsender. Treffene viser tekstutdraget der det ble funnet, slik at du raskt skiller det du leter etter fra lignende dokumenter. Samme søk kan lagres og gjentas, nyttig for periodiske kontroller der spørsmålet kommer igjen måned etter måned.
Metadata: hva du setter selv, og hva som krever tekst
Den mest tidkrevende delen av å digitalisere et arkiv er ikke skanningen, men utfyllingen av metadata. Søket gjør det enklere å finne dokumenter som har tekst, men dataene som dato, nummer, avsender og beløp settes av operatøren og kontrolleres før lagring. Vi lover ikke at dette skjer automatisk: det er en arbeidsoppgave som må planlegges, og den går raskere når dokumentene er av samme type og kontrolleres i rekke.
Hva OCR ikke klarer, og hvordan du unngår overraskelser
Det er ærlig å si også grensene. Håndskrift gjenkjennes ustabilt, og manuelt utfylte skjema er generelt et problem. Dokumenter med stempler over teksten, skanninger i lav oppløsning eller brettede sider gir gjenkjenningsfeil. I praksis betyr det at et ord du søker etter, kan mangle i indeksen selv om det står på papiret. Norske skanninger uten tekstlag gjenkjennes ikke i dag, så søket finner dem ikke etter innhold. Anbefalingen er enkel: for kritiske kategorier, sett noen nøkkelmetadata manuelt, slik at gjenfinningen ikke bare avhenger av tekstgjenkjenning, og skann i god kvalitet fra starten. En ny skanning koster mer enn en god skanning gjort første gang.
