OCR: Izvlačenje teksta iz fotografija
Na ovoj stranici
Od svih vizualnih mogućnosti ChatGPT-a, izvlačenje teksta iz slika najbrže donosi vrijednost. Ne treba ti posebna OCR aplikacija: jednostavno uslikaj dokument, potpis, naljepnicu ili zaslon. ChatGPT će prepisati tekst i odmah ga obraditi.
OCR koji razumije što čita
Razlika u odnosu na tradicionalne alate svodi se na jednu riječ: kontekst. Klasični OCR motor prepoznaje znakove i daje ti sirovi niz teksta, prepuštajući tebi da ga protumačiš. ChatGPT razumije što čita, omogućujući ti da izvučeš, strukturiraš, sažmeš ili prevedeš podatke u jednom koraku.
Račun savršeno ilustrira taj jaz. Pošalji fotografiju s upitom: „Izvuci sve stavke i njihove cijene, zatim izračunaj ukupni iznos.“ Model čita svaki redak, razlikuje oznake od iznosa, organizira podatke i izvršava izračun. Uvijek provjeri ukupni iznos; jedna pogrešno pročitana znamenka iskrivljuje cijeli rezultat. Klasični OCR alat bi stao kod transkripcije.
Četiri profesionalna slučaja upotrebe
Posjetnica pokupljena na sajmu školski je primjer, uglavnom zato što te posjetnice obično završe zakopane u ladici. Uslikaj je i zatraži: „Izvuci kontakt podatke i formatiraj ih za uvoz u CRM (ime, prezime, tvrtka, e-pošta, telefon).“ Izlaz je strukturiran i spreman za lijepljenje.
Administrativni dokumenti slijede istu logiku. Suočen s djelomično ispunjenim papirnatim obrascem, upit „Prepiši ispunjena polja iz ovog obrasca u tablični format“ digitalizira u jednom prolazu ono što bi ručni unos trajao znatno dulje. Na isti način možeš obraditi i rukom pisane bilješke sa sastanaka: „Prepiši ove rukom pisane bilješke, ispravi eventualne pogreške i organiziraj ih u zadatke“ pretvara škrabotine u sažetak spreman za distribuciju, pod uvjetom da je rukopis čitak. Računovodstvo također ima koristi – na fotografiji računa, upit „Izvuci broj računa, datum, iznos bez PDV-a, PDV i ukupni iznos“ vraća pet polja koja ti trebaju za praćenje.
Izvuci i djeluj u jednom potezu
Ne moraš odvajati izvlačenje od obrade. Natpis na stranom jeziku može se pročitati i prevesti jednim upitom: „Pročitaj ovaj natpis i prevedi ga na engleski.“ Međutim, Centar za pomoć OpenAI napominje da se tekst na nelatiničnim pismima, poput japanskog ili korejskog, čita manje precizno. Za takve dokumente provjeri transkripciju prije nego što povjeruješ prijevodu. Fotografirani članak iz novina može se pročitati i sažeti u tri ključne točke. Jelovnik se može pročitati i filtrirati – „identificiraj vegetarijanske opcije s njihovim cijenama.“ Ispisana tablica izravno se pretvara u CSV.
Učini navikom da navedeš konačni cilj umjesto međukoraka. Traženje transkripcije u jednoj poruci, a prijevoda u drugoj, košta te dodatnog kruga komunikacije za isti rezultat.
Fotografija odlučuje o svemu
Točnost izvlačenja određuje se u trenutku kada napraviš sliku. Nijedan upit ne može vratiti informacije koje su tu izgubljene.
Osvjetljenje je na prvom mjestu. Dobro osvijetljen dokument bez sjena ili odsjaja lako se čita; difuzno prirodno svjetlo daje najbolje rezultate. Suprotno intuiciji, bljeskalica često pogoršava čitljivost stvarajući odsjaj koji briše cijele dijelove teksta. Kut je jednako važan – slikaj ravno i okomito, jer kosi kut iskrivljuje znakove. Koristi najvišu dostupnu rezoluciju i odupri se iskušenju promjene veličine prije slanja; dobro namjerna kompresija uništava upravo one korisne informacije. Konačno, kadrovanje treba obuhvatiti sav tekst bez pretjeranog praznog prostora oko njega, jer model bolje analizira slike kada sadržaj zauzima značajan dio kadra.
Teški slučajevi i kako ih riješiti
Neki tekst odolijeva izvlačenju. U tim slučajevima cilj je učiniti nesigurnost vidljivom, a ne ignorirati je. Suočen s neurednim rukopisom, zatraži: „Prepiši ovaj tekst. Kada nisi siguran u neku riječ, označi je u zagradama upitnikom.“ To ti točno govori na što se trebaš usredotočiti tijekom pregleda. Za tekst na složenoj pozadini – poput plakata gdje se slova ističu naspram fotografije – izreži područje koje sadrži samo tekst. Za stare ili oštećene dokumente, malo konteksta usmjerava čitanje: „Ovaj dokument datira iz 19. stoljeća; neke riječi mogu koristiti arhaičan pravopis.“
Dvije provjere ostaju tvoja odgovornost. Prvo, brojevi: zabune između 0 i O, 1 i l, ili 5 i S česte su i tihe, stoga dvostruko provjeri iznose, identifikacijske brojeve i datume. Drugo, jezici: na višejezičnom dokumentu navedi koji su jezici prisutni. Inače, model može normalizirati odlomak na dominantni jezik.
Red je na tebi
Testiraj pouzdanost izvlačenja. Stavi ovo na kušnju s pravim dokumentom – računom, pismom, posjetnicom, stranicom knjige ili rukom pisanim bilješkama. Upotrijebi upit: „Izvuci sav tekst s ove slike. Zatim strukturirano organiziraj izvučene informacije i identificiraj ključne podatke.“ Usporedi izlaz redak po redak s originalom. Ova provjera jedini je način da procijeniš stvarnu pouzdanost izvlačenja.
Službeni izvori: ChatGPT Image Inputs FAQ · Does ChatGPT tell the truth? (Centar za pomoć OpenAI)
Ključne točke
- ChatGPT djeluje kao napredni OCR: izvlači, strukturira i obrađuje tekst u jednom koraku
- Kombiniraj izvlačenje s djelovanjem (prijevod, sažimanje, preformatiranje) kako bi uštedio vrijeme
- Kvaliteta fotografije je ključna: dobro osvjetljenje, okomit kut, visoka rezolucija
- Uvijek provjeri numeričke podatke i vlastita imena u transkripcijama
- Navedi kontekst i jezik kako bi poboljšao točnost na složenim tekstovima