Ce înseamnă OCR (recunoaștere optică a caracterelor)
OCR vine de la Optical Character Recognition, adică recunoaștere optică a caracterelor. Este tehnologia care „citește” literele dintr-o imagine: o pagină scanată, o fotografie a unui bon, un afiș sau o carte de identitate, și le transformă în text pe care îl poți copia, căuta sau traduce.
OCR-ul există de zeci de ani, dar AI l-a făcut mult mai bun: astăzi poate citi poze strâmbe, fonturi neobișnuite, text pe fundal colorat și, într-o anumită măsură, scris de mână (unde se vorbește uneori de HTR, recunoașterea scrisului de mână).
Cum funcționează
Imaginea este întâi curățată: îndreptată, contrastul mărit, zgomotul redus. Apoi sistemul găsește zonele cu text și rândurile. Modelele moderne citesc rânduri întregi deodată cu rețele neuronale, folosind contextul literelor vecine, ceea ce reduce confuziile între caractere asemănătoare, precum „l”, „1” și „I”.
Modelele multimodale mai noi pot face mai mult decât OCR: citesc un tabel și înțeleg structura lui sau extrag direct câmpuri precum „total de plată” de pe o factură.
Pe înțelesul tuturor
OCR-ul este ca un dactilograf foarte rapid care primește o fotografie a unei pagini și o tastează din nou, literă cu literă, într-un document nou.
Exemplu
Aplicațiile bancare care îți completează automat datele după ce fotografiezi buletinul folosesc OCR. Tot OCR folosesc bibliotecile și arhivele care digitizează ziare vechi; aici apare o dificultate specific românească: în textele vechi literele ș și ț apar uneori scrise cu sedilă în loc de virgulă, iar unele documente din secolul al XIX-lea folosesc alfabetul de tranziție, cu litere chirilice și latine amestecate, pe care sistemul trebuie să le recunoască separat.
De reținut
- OCR transformă o imagine cu text în text editabil.
- Calitatea depinde mult de claritatea imaginii: lumină, focalizare, unghi.
- Rezultatul trebuie verificat la documente importante; cifrele greșite trec ușor neobservate.
Nu confunda
- Un PDF scanat nu este automat text: fără OCR, el este doar o colecție de imagini; nu poți căuta cuvinte în el.
Termeni înrudiți
- Computer vision (vedere artificială): Ramura AI care învață calculatoarele să „vadă”: să recunoască obiecte, fețe, text și mișcare în imagini și video.
- Model multimodal: Model AI care lucrează cu mai multe tipuri de date: text, imagini, sunet sau video, pe care le poate înțelege și, uneori, genera.
- Traducere automată: Traducerea unui text sau a vorbirii dintr-o limbă în alta, realizată de un program, fără traducător uman.
- Automatizare cu AI: Folosirea AI pentru a face automat sarcini repetitive care cer citire, înțelegere sau decizii simple, nu doar pași fixi.
- Deep learning (învățare profundă): Tip de machine learning bazat pe rețele neuronale cu multe straturi; stă în spatele chatboților, traducerilor și recunoașterii imaginilor.