Wie die Texterkennung kurz zusammengefasst funktioniert
Für einen Computer ist ein Scan ein Bild: farbige Punkte, ohne Bedeutung. OCR — die optische Zeichenerkennung — durchläuft das Bild, identifiziert die Bereiche mit Schrift, trennt Zeilen und Zeichen und wandelt sie in Text um. Über diesem Text wird ein Index aufgebaut, also eine Struktur, die eine schnelle Suche ermöglicht, ohne jedes Dokument erneut zu lesen. Die Qualität des Ergebnisses hängt von der Quelle ab: Ein gedrucktes Dokument, gerade gescannt, mit 300 dpi, wird fast perfekt erkannt; eines, das schräg fotografiert wurde, mit Schatten, oder eine handschriftliche Notiz werden nur teilweise erkannt. Deshalb bewahrt die Plattform immer das Originalbild neben dem extrahierten Text auf — der Text dient der Suche, das Bild bleibt das Dokument.
Inhaltliche Suche plus Metadatenfilter
Eine reine Textsuche liefert zu viele Ergebnisse, und eine reine Metadatensuche setzt voraus, dass jemand sie korrekt ausgefüllt hat. Die Kombination beider ist das, was in der Praxis funktioniert. Sie beginnen mit einem Wort oder einer Formulierung, die sicher im Dokument vorkommt, und grenzen dann mit den bereits vorhandenen Filtern ein: Zeitraum, Abteilung, Kategorie aus dem Aktenverzeichnis, Aussteller. Die Ergebnisse zeigen den Textausschnitt, in dem der Treffer gefunden wurde, damit Sie das gesuchte Dokument schnell von ähnlichen unterscheiden können. Dieselbe Suche kann gespeichert und wiederverwendet werden — nützlich für regelmäßige Kontrollen, bei denen sich die Frage Monat für Monat wiederholt.
Aus dem erkannten Text automatisch ausgefüllte Metadaten
Der zeitaufwendigste Teil der Digitalisierung eines Archivs ist nicht das Scannen, sondern das Ausfüllen der Metadaten. OCR reduziert diesen Aufwand erheblich: Aus dem erkannten Text können die üblichen Felder automatisch extrahiert werden — Dokumentdatum, Nummer, Aussteller, Betrag. Sie werden vorgeschlagen, nicht vorgegeben: Der Bearbeiter bestätigt oder korrigiert sie, und die Korrekturen verbessern die folgenden Ergebnisse. Für große Stapel von Dokumenten desselben Typs können Extraktionsvorlagen einmal definiert und auf den gesamten Stapel angewendet werden, wodurch aus einer Aufgabe von Wochen eine von Tagen wird.
Was OCR nicht kann und wie Sie Überraschungen vermeiden
Es gehört zur Ehrlichkeit, auch die Grenzen zu benennen. Handschrift wird uneinheitlich erkannt, und handschriftlich ausgefüllte Formulare bleiben im Allgemeinen ein Problem. Dokumente mit Stempeln, die den Text überlagern, niedrig aufgelöste Scans oder geknickte Seiten führen zu Erkennungsfehlern. Praktisch bedeutet das, dass ein gesuchtes Wort im Index fehlen kann, obwohl es auf dem Papier steht. Die Empfehlung ist einfach: Tragen Sie für kritische Kategorien einige Schlüssel-Metadaten manuell ein, damit das Auffinden nicht ausschließlich vom erkannten Text abhängt, und scannen Sie von Anfang an in angemessener Qualität — ein erneutes Scannen kostet mehr als ein gleich gut ausgeführter erster Scan.
