Ako funguje rozpoznávanie textu
Pre počítač je sken obrázok: body bez významu. OCR, teda optické rozpoznávanie znakov, prechádza obrázok, nájde oblasti s písmom, oddelí riadky a znaky a premení ich na text. Nad týmto textom sa vytvorí index, teda štruktúra, ktorá umožňuje rýchle hľadanie bez opätovného čítania každého dokumentu. Kvalita výsledku závisí od zdroja: vytlačený dokument naskenovaný rovno s primeraným rozlíšením sa rozpozná takmer bezchybne, fotografia nakrivo, so tieňmi alebo rukopis sa rozpoznajú len čiastočne. Preto platforma vždy uchováva pôvodný obraz vedľa extrahovaného textu — text slúži na vyhľadávanie, obraz zostáva dokumentom. Pri slovenských dokumentoch sa spoliehajte na textovú vrstvu, nie na automatické rozpoznanie.
Hľadanie v obsahu plus filtre podľa metadát
Vyhľadávanie len podľa textu prinesie veľa výsledkov a vyhľadávanie len podľa metadát predpokladá, že ich niekto vyplnil správne. Funguje ich kombinácia. Začnete slovom alebo frázou, ktorá sa v dokumente určite vyskytuje, a potom zúžite filtrami, ktoré už máte: časové obdobie, oddelenie, kategória z registratúrneho plánu, vydavateľ. Výsledky ukážu úryvok textu, kde sa zhoda našla, aby ste rýchlo odlíšili hľadaný dokument od podobných. Rovnaké hľadanie sa dá uložiť a znovu použiť — hodí sa na pravidelné kontroly, kde sa otázka opakuje mesiac čo mesiac.
Metadáta doplnené z rozpoznaného textu
Najviac času pri digitalizácii archívu nezaberá skenovanie, ale doplnenie metadát. Rozpoznaný text pomáha túto prácu výrazne zmenšiť: pri rumunských dokumentoch sa z neho dajú navrhnúť bežné polia — dátum, číslo, vydavateľ, suma. Navrhujú sa, nevnucujú: operátor ich potvrdí alebo opraví. Pri veľkých dávkach rovnakého typu dokumentov sa šablóna vyťaženia môže nastaviť raz a aplikovať na celú dávku.
Čo OCR nezvládne a ako prekvapeniam predísť
Hovoriť o limitoch je poctivé. Rukopis sa rozpoznáva nestále a ručne vyplnené formuláre zostávajú spravidla problémom. Pečiatky cez text, sken s nízkym rozlíšením alebo ohnuté strany spôsobujú chyby rozpoznávania. V praxi to znamená, že hľadané slovo môže chýbať v indexe, hoci je na papieri. Odporúčanie je jednoduché: pri kritických kategóriách doplňte ručne niekoľko kľúčových metadát, aby sa hľadanie nespoliehalo výlučne na rozpoznaný text, a skenujte od začiatku v slušnej kvalite — opätovné skenovanie stojí viac než dobre urobený sken. Pri slovenských skenoch bez textovej vrstvy počítajte s ručnou kontrolou.
