OCR: Szöveg kinyerése fényképekből
Ezen az oldalon
A ChatGPT összes vizuális képessége közül a szöveg képekből történő kinyerése hozza a leggyorsabban az eredményt. Nincs szükséged külön OCR-alkalmazásra: egyszerűen készíts egy fotót egy dokumentumról, aláírásról, címkéről vagy képernyőről. A ChatGPT átírja a szöveget, és azonnal feldolgozza azt.
Egy OCR, amely megérti, amit olvas
A hagyományos eszközöktől való eltérés egyetlen szóban ragadható meg: a kontextus. Egy klasszikus OCR-motor felismeri a karaktereket, és egy nyers szövegfüzért ad a kezedbe, rád hagyva, hogy értelmezd azt. A ChatGPT megérti, amit olvas, lehetővé téve, hogy egyetlen lépésben kinyerd, strukturáld, összefoglald vagy lefordítsd az információt.
Egy blokk tökéletesen illusztrálja ezt a szakadékot. Küldj el egy fotót a következő utasítással: „Nyerd ki az összes tételt és azok árát, majd számold ki az végösszeget.“ A modell elolvassa az egyes sorokat, megkülönbözteti a címkéket az összegektől, rendszerezi az adatokat, és elvégzi a számítást. Mindig ellenőrizd az végösszeget; egyetlen félreolvasott számjegy eltorzítja az egész eredményt. Egy klasszikus OCR-eszköz már az átírásnál megállt volna.
Négy professzionális felhasználási eset
Egy vásárban begyűjtött névjegykártya a tankönyvi példa, főleg azért, mert ezek a kártyák általában fiókban végzik. Fényképezd le, és kérdezd meg: „Nyerd ki a kapcsolattartási adatokat, és formázd meg őket CRM-importáláshoz (keresztnév, vezetéknév, cég, e-mail, telefon).“ A kimenet strukturált lesz, és készen áll a beillesztésre.
Az adminisztratív dokumentumok ugyanerre a logikára építenek. Ha egy részben kitöltött papíralapú űrlappal szembesülsz, a „Írd át a kitöltött mezőket ebből az űrlapból táblázatos formátumba“ utasítás egyetlen menetben digitalizálja azt, ami manuális bevitellel sokkal több időt venne igénybe. Ugyanígy kezelheted a kézírással készült jegyzeteket is: „Írd át ezeket a kézzel írt jegyzeteket, javítsd ki a hibákat, és rendezd őket cselekvési pontokká“ utasítás a firkákból distribuálható összefoglalót csinál, feltéve, hogy a kézírás olvasható marad. A könyvelés is profitál belőle – egy számla fotóján a „Nyerd ki a számlaszámot, a dátumot, az adó nélküli összeget, az ÁFA-t és a végösszeget“ utasítás visszaadja azt az öt mezőt, amelyre a nyomon követéshez szükséged van.
Kinyerés és cselekvés egyetlen lépésben
Nem kell szétválasztanod a kinyerést a feldolgozástól. Egy idegen nyelvű tábla elolvasható és lefordítható egyetlen utasítással: „Olvasd el ezt a táblát, és fordítsd le angolra.“ Azonban az OpenAI Súgóközpontja megjegyzi, hogy a nem latin betűs írásrendszerekben (például japán vagy koreai) szereplő szövegek pontossága alacsonyabb. Ezeknél a dokumentumoknál ellenőrizd az átírást, mielőtt megbízol a fordításban. Egy lefotózott újságcikk elolvasható és három fő pontba összefoglalható. Egy étlap elolvasható és szűrhető – „azonosítsd a vegetáriánus ételeket az áraikkal együtt“. Egy nyomtatott táblázat közvetlenül CSV-vé alakítható.
Szoktasd rá magad, hogy a végső célt fogalmazd meg, ne egy közbenső lépést. Ha az átírást egy üzenetben, a fordítást pedig egy másodikban kéred, az egy extra körmenetet costing neked ugyanazért az eredményért.
A fotó dönt mindent
A kinyerés pontossága abban a pillanatban dől el, amikor elkészíted a képet. Semmilyen utasítás nem tudja visszanyerni az ott elveszett információt.
A világítás az első. Egy jól megvilágított dokumentum, amelyen nincsenek árnyékok vagy csillogás, könnyen olvasható; a szórt természetes fény adja a legjobb eredményt. Ellentmondásos módon a vaku gyakran rontja az olvashatóságot azáltal, hogy csillogást hoz létre, amely letörli a szöveg egész szakaszait. A szög ugyanolyan fontos – fényképezz síkban és merőlegesen, mivel a ferde szög eltorzítja a karaktereket. Használd a lehető legnagyobb felbontást, és állj ellen annak a kísértésnek, hogy elküldés előtt átméretezd a képet; a jó szándékú tömörítés pontosan a hasznos információt semmisíti meg. Végül a keretezésnek tartalmaznia kell az összes szöveget anélkül, hogy túlzottan üres hely lenne körülötte, mivel a modell jobban elemzi a képeket, amikor a tartalom a képkeret jelentős részét foglalja el.
Nehéz esetek és kezelésük
Egyes szövegek ellenállnak a kinyerésnek. Ilyen esetekben a cél nem a bizonytalanság figyelmen kívül hagyása, hanem láthatóvá tétele. Ha rendezetlen kézírással szembesülsz, kérdezd így: „Írd át ezt a szöveget. Ha nem vagy biztos egy szóban, jelöld azt zárójelben, kérdőjellel.“ Ez pontosan megmutatja, hová kell összpontosítanod az ellenőrzést. Ha a szöveg komplex háttéren van – például egy poszteren, ahol a betűk egy fotó előtt emelkednek ki –, vágd ki csak a szöveget tartalmazó területet. Régi vagy sérült dokumentumoknál egy kis kontextus segíti az olvasást: „Ez a dokumentum a 19. századból származik; egyes szavak archaikus helyesírást használhatnak.“
Két ellenőrzés továbbra is a te felelősséged. Először is a számok: a 0 és az O, az 1 és az l, vagy az 5 és az S közötti összetévesztések gyakoriak és észrevétlenek, ezért mindig ellenőrizd az összegeket, az azonosítószámokat és a dátumokat. Másodszor a nyelvek: többnyelvű dokumentum esetén add meg, mely nyelvek vannak jelen. Ellenkező esetben a modell egy szakaszt a domináns nyelvre normalizálhat.
Rajtad a sor
Teszteld a kinyerés megbízhatóságát. Próbáld ki valódi dokumentummal – egy blokkal, levéllel, névjegykártyával, könyvlappal vagy kézzel írt jegyzetekkel. Használd a következő utasítást: „Nyerd ki az összes szöveget ebből a képből. Ezután szervezd strukturáltan a kinyert információkat, és azonosítsd a kulcsfontosságú adatpontokat.“ Hasonlítsd össze a kimenetet sorról sorra az eredetivel. Ez az ellenőrzés az egyetlen módja a valódi kinyerési megbízhatóság felmérésének.
Hivatalos források: ChatGPT Image Inputs FAQ · Does ChatGPT tell the truth? (OpenAI Súgóközpont)
Főbb megállapítások
- A ChatGPT fejlett OCR-ként működik: egyetlen lépésben nyeri ki, strukturálja és dolgozza fel a szöveget
- Kombináld a kinyerést a cselekvéssel (fordítás, összefoglalás, újraformázás) az idő megtakarítása érdekében
- A fotó minősége kritikus: jó világítás, merőleges szög, nagy felbontás
- Mindig ellenőrizd a numerikus adatokat és a tulajdonneveket az átírásokban
- Add meg a kontextust és a nyelvet a pontosság javítása érdekében összetett szövegeknél