Come funziona, in breve, il riconoscimento del testo
Una scansione è, per il computer, un'immagine: punti colorati, privi di significato. Il testo diventa ricercabile solo quando esiste come testo: un PDF digitale lo contiene già, mentre una scansione deve prima ricevere un livello di testo, prodotto da un passaggio di riconoscimento separato. Una volta che il testo è nel documento, la piattaforma vi costruisce sopra un indice, cioè una struttura che consente la ricerca rapida senza rileggere ogni documento. La piattaforma conserva sempre il file originale accanto al livello di testo: il testo serve alla ricerca, il file 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. Per i documenti con testo, la data, il numero, l'emittente e l'importo possono essere proposti a partire da quel testo; un modello di estrazione con le regole dei vostri documenti si definisce una volta per tipologia. I valori sono proposti, non imposti: l'operatore conferma o corregge. Le scansioni senza livello di testo si compilano a mano. Per grandi lotti dello stesso tipo il modello si applica all'intero lotto, il che trasforma un'operazione di settimane in una di giorni.
Cosa non può fare la ricerca 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.
