OCR: teksta izgūšana no fotogrāfijām
Šajā lapā
No visām ChatGPT vizuālajām spējām teksta izgūšana no attēliem sniedz vērtību visātrāk. Tev nav nepieciešama specializēta OCR lietotne: vienkārši nofotografē dokumentu, parakstu, etiķeti vai ekrānu. ChatGPT transkribē tekstu un to nekavējoties apstrādā.
OCR, kas saprot lasīto
Atšķirība no tradicionālajiem rīkiem slēpjas vienā vārdā: konteksts. Klasiska OCR dzinēja atpazīst simbolus un nodod tev neapstrādātu teksta virkni, atstājot tev pienākumu tajā saprasties. ChatGPT saprot lasīto, ļaujot vienā solī izgūt, strukturēt, apkopot vai tulkot informāciju.
Čeks lieliski ilustrē šo atšķirību. Nosūti fotogrāfiju ar pieprasījumu: „Izgūst visas preces un to cenas, pēc tam aprēķini kopsummu.” Modelis nolasa katru rindiņu, atšķir nosaukumus no summām, sakārto datus un veic aprēķinu. Vienmēr pārbaudi kopsummu; viena kļūdaini nolasīta cipara dēļ viss rezultāts var būt nepareizs. Klasisks OCR rīks būtu apstājies pie transkribēšanas.
Četri profesionāli lietojuma gadījumi
Vizītkarte, kas paņemta izstādē, ir mācību grāmatas piemērs, galvenokārt tāpēc, ka šīs kartītes parasti beidz savu mūžu ievilktnē. Nofotografē to un pajautā: „Izgūst kontaktinformāciju un noformē to CRM importam (vārds, uzvārds, uzņēmums, e-pasts, tālrunis).” Rezultāts būs strukturēts un gatavs ielīmēšanai.
Administratīvie dokumenti seko tai pašai loģikai. Saskaroties ar daļēji aizpildītu papīra veidlapu, pieprasījums „Transkribē aizpildītos laukus no šīs veidlapas tabulas formātā” digitalizē vienā piegājienā to, kas manuālai ievadei prasītu daudz ilgāku laiku. Tādā pašā veidā vari apstrādāt ar roku rakstītas sapulču piezīmes: „Transkribē šīs ar roku rakstītās piezīmes, izlabo kļūdas un sakārto tās uzdevumu sarakstā” pārvērš skrāpējumus izplatāmā kopsavilkumā, ja vien rokraksts ir salasāms. Arī grāmatvedība gūst labumu — no rēķina fotogrāfijas pieprasījums „Izgūst rēķina numuru, datumu, summu bez PVN, PVN un kopsummu” atgriež piecus laukus, kas nepieciešami tavai uzskaitei.
Izgūsti un rīkojies vienā solī
Tev nav jānodala izgūšana no apstrādes. Zīmi svešvalodā var nolasīt un iztulkot ar vienu pieprasījumu: „Nolasi šo zīmi un iztulko to angļu valodā.” Tomēr OpenAI palīdzības centrs norāda, ka teksts nelatīņu rakstībās, piemēram, japāņu vai korejiešu valodā, tiek nolasīts mazāk precīzi. Šādiem dokumentiem pirms uzticēšanās tulkojumam pārbaudi transkripciju. Nofotografētu laikraksta rakstu var nolasīt un apkopot trīs galvenajos punktos. Ēdienkarti var nolasīt un filtrēt — „identificē veģetāros ēdienus ar to cenām”. Drukāta tabula tieši pārvēršama CSV formātā.
Padari par ieradumu norādīt galīgo mērķi, nevis starpposma soli. Prasīt transkripciju vienā ziņojumā un tulkojumu otrā nozīmē lieku aprites ciklu tam pašam rezultātam.
Fotogrāfija izlemj visu
Izgūšanas precizitāti nosaka brīdī, kad uzņem attēlu. Neviens pieprasījums nevar atgūt informāciju, kas tajā brīdī ir zudusi.
Pirmkārt, apgaismojums. Labi apgaismots dokuments bez ēnām vai atspīdumiem lasās viegli; izkliedēta dabiskā gaisma dod vislabākos rezultātus. Pretēji intuīcijai, zibspuldze bieži pasliktina lasāmību, radot atspīdumus, kas dzēš veselas teksta daļas. Leņķis ir tikpat svarīgs — fotografē plakaniski un perpendikulāri, jo slīps leņķis sagrozī simbolus. Izmanto augstāko pieejamo izšķirtspēju un pretojies kārdinājumam mainīt izmēru pirms nosūtīšanas; labi domāta kompresija iznīcina tieši to noderīgo informāciju. Visbeidzot, kadrējumā jāietver viss teksts bez pārlieku lielas tukšas telpas ap to, jo modelis attēlus analizē labāk, ja saturs aizņem ievērojamu kadra daļu.
Sarežģīti gadījumi un to risināšana
Daži teksti pretojas izgūšanai. Šādos gadījumos mērķis ir padarīt nenoteiktību redzamu, nevis to ignorēt. Saskaroties ar nesakārtotu rokrakstu, jautā: „Transkribē šo tekstu. Ja neesi pārliecināts par kādu vārdu, norādi to iekavās ar jautājuma zīmi.” Tas tev precīzi norādīs, kur pievērst uzmanību pārbaudes laikā. Tekstam uz sarežģīta fona — piemēram, plakātam, kur burti izceļas uz fotogrāfijas fona — apgriez attēlu līdz tikai teksta laukumam. Veciem vai bojātiem dokumentiem neliels konteksts palīdz lasīšanā: „Šis dokuments ir no 19. gadsimta; daži vārdi var lietot arhaisku pareizrakstību.”
Divas pārbaudes paliek tavā atbildībā. Pirmkārt, skaitļi: sajaukšana starp 0 un O, 1 un l vai 5 un S ir bieža un nemanāma, tāpēc divreiz pārbaudi summas, ID numurus un datumus. Otrkārt, valodas: daudzvalodu dokumentā norādi, kuras valodas tajā ir sastopamas. Pretējā gadījumā modelis var normalizēt fragmentu līdz dominējošajai valodai.
Tava kārta
Pārbaudi izgūšanas uzticamību. Izmēģini to ar reālu dokumentu — čeku, vēstuli, vizītkarti, grāmatas lapu vai ar roku rakstītām piezīmēm. Izmanto pieprasījumu: „Izgūst visu tekstu no šī attēla. Pēc tam strukturēti sakārto izgūto informāciju un identificē galvenos datus.” Salīdzini rezultātu rindiņu pa rindiņai ar oriģinālu. Šī pārbaude ir vienīgais veids, kā novērtēt reālo izgūšanas uzticamību.
Oficiālie avoti: ChatGPT Image Inputs FAQ · Does ChatGPT tell the truth? (OpenAI palīdzības centrs)
Galvenās atziņas
- ChatGPT darbojas kā uzlabots OCR: tas vienā solī izgūst, strukturē un apstrādā tekstu
- Apvieno izgūšanu ar darbību (tulkošana, apkopošana, pārformātēšana), lai ietaupītu laiku
- Fotogrāfijas kvalitāte ir kritiska: labs apgaismojums, perpendikulārs leņķis, augsta izšķirtspēja
- Vienmēr pārbaudi skaitliskos datus un īpašvārdus transkripcijās
- Norādi kontekstu un valodu, lai uzlabotu precizitāti sarežģītos tekstos