OCR (optikai karakterfelismerés)
Képen vagy szkennelt dokumentumban található szöveg gépileg olvasható szöveggé alakítása.
Analógia
Mint egy tolmács, aki a kézírásos levelet először begépeli — az AI csak a begépelt szöveget tudja jól feldolgozni, nem feltétlenül a nyers képet.
Miért fontos?
Az OCR az első lépés, ha nem natívan digitális dokumentumokat — beszkennelt szerződéseket, papíralapú számlákat, kézzel írt feljegyzéseket — akarunk AI-val feldolgozni. A multimodális AI terjedésével sem tűnt el az igénye: a rossz minőségű, hosszú szkennelt iratoknál ma is OCR pipeline szükséges a megbízható feldolgozáshoz.
Hogyan működik?
Az OCR a képen látható betűalakokból géppel kezelhető szöveget állít elő. A feldolgozás gyakran a dokumentum tájolásának, sorainak, oszlopainak és karaktereinek felismerésével kezdődik, majd a felismert részeket szöveggé rendezi. A nyomtatott, tiszta oldal általában könnyebb eset, mint az elmosódott szkennelés, a táblázat vagy a kézírás. A kimenet tartalmazhat felismerési hibákat, és a dokumentum eredeti elrendezése is elveszhet, ha a rendszer csak a szöveget adja vissza.
A felhasználó OCR-t használhat, amikor fényképezett nyugtát kereshetővé tesz, egy szkennelt szerződésből adatokat nyer ki, vagy archív papírokat készít elő AI-alapú kereséshez. A következő feldolgozási lépés minősége attól függ, hogy a szöveg olvashatóan és a megfelelő sorrendben került-e ki. Fontos mezőknél ellenőrizni kell az eredményt az eredeti képen, különösen számok, ékezetek és hasonló karakterek esetén. Táblázatoknál a cellakapcsolatok megőrzése külön feladat lehet.
Példa
Egy irodai dolgozó lefényképezi a papíralapú számlát, OCR-rel szöveget nyer ki belőle, majd ellenőrzi a felismert összeget és dátumot az eredeti képen.
Gyakori tévhit
Az OCR nem garantálja a dokumentum hibátlan vagy teljes értelmezését. A karakterfelismerés és az oldal szerkezetének visszaállítása külön hibázhat, ezért fontos adatokat ellenőrizni kell.