OCR: teksti ekstraheerimine fotodelt
Sellel lehel
Kõigist ChatGPT-i visuaalsetest võimetest toob teksti ekstraheerimine piltidelt kiireimat kasu. Sa ei vaja spetsiaalset OCR-rakendust: tee lihtsalt foto dokumendist, allkirjast, sildist või ekraanist. ChatGPT transkribeerib teksti ja töötleb seda koheselt.
OCR, mis mõistab loetut
Erinevus traditsioonilistest tööriistadest taandub ühele sõnale: kontekst. Klassikaline OCR-mootor tuvastab tähemärgid ja annab sulle toore tekstistringi, jättes selle mõtestamise sinu hooleks. ChatGPT mõistab loetut, võimaldades sul ühe sammuga teksti ekstraheerida, struktureerida, kokku võtta või tõlkida.
Tšekk illustreerib seda lõhet ideaalselt. Saada foto koos juhendiga: „Ekstraheeri kõik kaubad ja nende hinnad ning arvuta seejärel summa.“ Mudel loeb iga rida, eristab silte summadest, korrastab andmed ja teeb arvutuse. Kontrolli alati lõppsummat; üks valesti loetud number moonutab kogu tulemust. Klassikaline OCR-tööriist oleks peatunud pelgalt transkriptsioonil.
Neli professionaalset kasutusjuhtu
Messil saadud visiitkaart on õpikunäide, peamiselt seetõttu, et need kaardid lõpetavad sageli sahtlipõhjas. Pildista seda ja küsi: „Ekstraheeri kontaktandmed ja vorminda need CRM-i importimiseks (eesnimi, perekonnanimi, ettevõte, e-post, telefon).“ Väljund on struktureeritud ja valmis kleepimiseks.
Haldusdokumendid järgivad sama loogikat. Osaliselt täidetud pabervormi ees muudab juhend „Transkribeeri selles vormis täidetud väljad tabelvormingusse“ käsitsi sisestamisega võrreldes palju pikemat aega võtva protsessi ühe hoobiga digitaalseks. Samamoodi saad käsitsi kirjutatud koosolekumärkmetega hakkama saada: „Transkribeeri need käsitsi kirjutatud märkmed, paranda vead ja korrasta need tegevuspunktideks“ muudab kriipsutused levitatavaks kokkuvõtteks, eeldusel et käekiri on loetav. Kasu on ka raamatupidamises – foto arvest „Ekstraheeri arve number, kuupäev, summa ilma käibemaksuta, käibemaks ja lõppsumma“ annab tagasi viis välja, mida vajad oma jälgimiseks.
Ekstraheeri ja tegutse ühe liigutusega
Sa ei pea ekstraheerimist ja töötlemist eraldama. Võõrkeelset silti saab lugeda ja tõlkida ühe juhendiga: „Loe see silt ja tõlgi see inglise keelde.“ Siiski märgib OpenAI abikeskus, et mitte-ladina kirjasüsteemides (nt jaapani või korea keeles) teksti loetakse vähem täpselt. Selliste dokumentide puhul kontrolli transkriptsiooni enne, kui usaldad tõlget. Pildistatud ajaleheartiklit saab lugeda ja kokku võtta kolme põhipunktina. Menüüd saab lugeda ja filtreerida – „tuvasta taimetoitluste valikud koos hindadega“. Trükitud tabeli saab otse CSV-vormingusse teisendada.
Harjumuseks peaks saama lõppeesmärgi sõnastamine vaheetapi asemel. Transkriptsiooni küsimine ühes sõnumis ja tõlke küsimine teises maksab sulle sama tulemuse saavutamiseks ühe lisaringi.
Foto otsustab kõik
Ekstraheerimise täpsus määratakse hetkel, kui teed pildi. Ükski juhend ei suuda taastada seal kadunud informatsiooni.
Valgustus on esikohal. Hästi valgustatud dokument ilma varjude või peegeldusteta on kergesti loetav; hajus loomulik valgus annab parimaid tulemusi. Vastupidiselt intuitiivsele arvamusele halvendab välk sageli loetavust, tekitades peegeldusi, mis kustutavad terved tekstiosad. Nurk on sama oluline – pildista tasapinnaliselt ja risti, kuna kaldus nurk moonutab tähemärke. Kasuta kõrgeimat võimalikku eraldusvõimet ja ära lase end kiusata enne saatmist suurust muuta; heatahtlik tihendamine hävitab täpselt need kasulikud andmed. Lõpuks peaks kaadristamine hõlmama kogu teksti ilma liigse tühja ruumita ümber, kuna mudel analüüsib pilte paremini, kui sisu hõivab suurema osa kaadrist.
Rasked juhtumid ja nendega toimetulek
Mõni tekst paneb ekstraheerimisele vastu. Sellistel juhtudel on eesmärk teha määramatus nähtavaks, mitte seda ignoreerida. Segase käekirja ees küsi: „Transkribeeri see tekst. Kui sa pole sõna suhtes kindel, märgi see sulgudes küsimärgiga.“ See näitab sulle täpselt, kuhu oma ülevaatust keskendada. Komplekssel taustal oleva teksti puhul – näiteks plakat, kus tähed paistavad silma foto taustal – lõika välja ainult tekstiga ala. Vanade või kahjustatud dokumentide puhul aitab lugemist juhtida väike kontekst: „See dokument pärineb 19. sajandist; mõned sõnad võivad kasutada iganenud õigekirja.“
Kaks kontrolli jäävad sinu vastutusele. Esiteks numbrid: segadused 0 ja O, 1 ja l või 5 ja S vahel on levinud ja märkamatud, seega kontrolli summasid, isikukoodi numbreid ja kuupäevi üle. Teiseks keeled: mitmekeelsel dokumendil täpsusta, millised keeled on olemas. Vastasel juhul võib mudel normaliseerida lõigu domineerivasse keelde.
Sinu kord
Testi ekstraheerimise usaldusväärsust. Pane see proovile reaalse dokumendiga – tšekk, kiri, visiitkaart, raamatuleht või käsitsi kirjutatud märkmed. Kasuta juhendit: „Ekstraheeri kogu tekst sellelt pildilt. Seejärel korrasta ekstraheeritud info struktuurselt ja tuvasta võtmeandmed.“ Võrdle väljundit reahaaval algsega. See kontroll on ainus viis mõõta tegelikku ekstraheerimise usaldusväärsust.
Ametlikud allikad: ChatGPT Image Inputs FAQ · Does ChatGPT tell the truth? (OpenAI Help Center)
Peamised punktid
- ChatGPT toimib arenenud OCR-ina: see ekstraheerib, struktureerib ja töötleb teksti ühe sammuga
- Kombineeri ekstraheerimine tegevusega (tõlkimine, kokkuvõtmine, ümberformaatimine), et säästa aega
- Foto kvaliteet on kriitiline: hea valgustus, risti nurk, kõrge eraldusvõime
- Kontrolli alati transkriptsioonides numbrilisi andmeid ja pärisnimesid
- Täpsusta konteksti ja keelt, et parandada täpsust keerukate tekstide puhul