Come funziona, in breve, il riconoscimento del testo
Una scansione è, per il computer, un'immagine: punti colorati, privi di significato. L'OCR — il riconoscimento ottico dei caratteri — analizza l'immagine, identifica le zone che contengono scrittura, separa le righe e i caratteri e li trasforma in testo. Su questo testo si costruisce un indice, cioè una struttura che consente la ricerca rapida senza dover rileggere ogni documento. La qualità del risultato dipende dalla fonte: un documento stampato, scansionato diritto, a 300 dpi, viene riconosciuto quasi perfettamente; uno fotografato storto, con ombre, o una scrittura a mano vengono riconosciuti solo parzialmente. Per questo la piattaforma conserva sempre l'immagine originale accanto al testo estratto — il testo serve alla ricerca, l'immagine resta il documento.
Ricerca nel contenuto più filtri sui metadati
La ricerca solo per testo restituisce troppi risultati, e la ricerca solo per metadati presuppone che qualcuno li abbia compilati correttamente. La combinazione dei due è ciò che funziona nella pratica. Parte da una parola o un'espressione che compare sicuramente nel documento, poi restringe con i filtri già disponibili: l'intervallo di tempo, il reparto, la categoria del titolario, l'emittente. I risultati mostrano il frammento di testo in cui è stata trovata la corrispondenza, per distinguere rapidamente il documento cercato tra quelli simili. La stessa ricerca può essere salvata e riutilizzata — utile per le verifiche periodiche, dove la domanda si ripete mese dopo mese.
Metadati compilati automaticamente dal testo riconosciuto
La parte più dispendiosa in termini di tempo nella digitalizzazione di un archivio non è la scansione, ma la compilazione dei metadati. L'OCR riduce di molto questo lavoro: dal testo riconosciuto si possono estrarre automaticamente i campi abituali — la data del documento, il numero, l'emittente, l'importo. Sono proposti, non imposti: l'operatore conferma o corregge, e le correzioni migliorano i risultati successivi. Per grandi lotti di documenti dello stesso tipo, i modelli di estrazione possono essere definiti una volta e applicati all'intero lotto, il che trasforma un'operazione di settimane in una di giorni.
Cosa non può fare l'OCR e come evitare sorprese
È corretto dichiarare anche i limiti. La scrittura a mano viene riconosciuta in modo incostante, e i moduli compilati manualmente restano, in generale, un problema. I documenti con timbri sovrapposti al testo, le scansioni a bassa risoluzione o le pagine piegate producono errori di riconoscimento. In pratica, questo significa che una parola cercata può mancare dall'indice pur esistendo sulla carta. Il consiglio è semplice: per le categorie critiche, compili manualmente alcuni metadati chiave, in modo che il recupero non dipenda esclusivamente dal testo riconosciuto, e scansioni fin dall'inizio a una qualità decente — una nuova scansione costa più di una scansione fatta bene la prima volta.
