Hvordan fungerer OCR på skannede dokumenter?
OCR gjør en skannet side fra et enkelt bilde til et dokument der du kan søke etter ord; i plattformen gjelder dette bare for rumenske dokumenter.
Kort svar
- OCR betyr optisk tegngjenkjenning: teksten i et bilde gjøres om til søkbar tekst.
- En skanning er i utgangspunktet bare et bilde. Uten tekstgjenkjenning kan innholdet ikke finnes ved søk.
- I 4docs finnes OCR i dag for rumenske dokumenter. Norske skanninger uten tekstlag må ha metadata satt manuelt, eller de må allerede ha et tekstlag før opplasting.
- Der OCR er tilgjengelig, kjøres den automatisk ved opplasting og legger et tekstlag over bildet.
Hva lovverket sier (kort)
- Bokføringsloven § 13: dokumentene skal kunne finnes og dokumenteres gjennom oppbevaringstiden. Et søkbart arkiv hjelper, men fristene endrer seg ikke.
- Personvernforordningen (GDPR) art. 5 nr. 1 bokstav e: teksten som gjenkjennes, kan inneholde personopplysninger, og oppbevares ikke lenger enn dokumentet selv.
- Dokumentet må være lesbart og uendret gjennom oppbevaringstiden. Tekstlaget er et søkehjelpemiddel, ikke en erstatning for bildet.
- Regnskapsdokumenter som skannes, følger samme frister som originalen (bokføringsloven § 13).
Praktiske eksempler
- Søk etter «protokoll mottakskontroll hall 2» og få fire treff i et arkiv med 3 500 skannede sider.
- Et organisasjonsnummer skrevet i brødteksten på en innkommen henvendelse blir søkbart, selv om det ikke står i filnavnet.
- Ved 200 skannede sider om dagen tar manuell indeksering mange timer. For rumenske dokumenter gjør OCR jobben ved opplasting.
- Et personalarkiv fra 2014 som allerede har tekstlag, blir søkbart etter navnet på den ansatte så snart det er lastet opp.
Vanlige feil
- Skanning ved 150 dpi eller lavere, som gir klart svakere gjenkjenning. 300 dpi er en praktisk grense.
- Sider er skjeve eller fotografert med mobil uten å rettes opp.
- Man antar at søket finner ord uavhengig av skrivemåte, uten å teste med ordet slik det står i dokumentet.
- Man antar at OCR gjenkjenner alle ord. På håndskrevne dokumenter blir resultatet delvis.
- Man dropper inventaret med begrunnelse om at «alt kan søkes uansett».
Slik hjelper 4docs deg
- OCR ved opplasting for rumenske dokumenter, også ved masseimport fra eldre arkiv.
- Fulltekstsøk i innholdet, ikke bare i filnavnet, for dokumenter som har tekst.
- Kombinert filter på år, dokumenttype, avdeling og oppbevaringsfrist.
- Treffet vises fremhevet direkte i forhåndsvisningen av siden.