OCR: Extrakcia textu z fotografií
Na tejto strane
Zo všetkých vizuálnych schopností ChatGPT prináša extrakcia textu z obrázkov hodnotu najrýchlejšie. Nepotrebuješ špecializovanú aplikáciu na OCR: jednoducho odfotíš dokument, podpis, štítok alebo obrazovku. ChatGPT text prepíše a okamžite ho spracuje.
OCR, ktoré chápe, čo číta
Rozdiel oproti tradičným nástrojom sa dá vyjadriť jedným slovom: kontext. Klasický engine OCR rozpozná znaky a odovzdá ti surový reťazec textu, pričom na teba nechá, aby si mu porozumel. ChatGPT chápe, čo číta, čo ti umožňuje extrahovať, štruktúrovať, zhrnúť alebo preložiť text v jednom kroku.
Účtenka tento rozdiel dokonale ilustruje. Pošli fotografiu s výzvou: „Extrahuj všetky položky a ich ceny, potom vypočítaj súčet.“ Model prečíta každý riadok, rozlíši štítky od súm, usporiada údaje a vykoná výpočet. Vždy si over súčet; jedna zle prečítaná číslica skreslí celý výsledok. Klasický nástroj OCR by sa zastavil pri prepise.
Štyri profesionálne prípady použitia
Vizitka získaná na veľtrhu je učebnicovým príkladom, najmä preto, že tieto karty zvyčajne končia zapadnuté v zásuvke. Odfot ju a požiadaj: „Extrahuj kontaktné údaje a naformátuj ich pre import do CRM (meno, priezvisko, spoločnosť, e-mail, telefón).“ Výstup bude štruktúrovaný a pripravený na vloženie.
Administratívne dokumenty fungujú na rovnakom princípe. Pri čiastočne vyplnenom papierovom formulári výzva „Prepíš vyplnené polia z tohto formulára do tabuľkovej formy“ digitalizuje na jedenkrát to, čo by manuálne zadávanie trvalo oveľa dlhšie. Rovnakým spôsobom môžeš spracovať aj rukopisné poznámky zo stretnutia: „Prepíš tieto rukopisné poznámky, oprav chyby a usporiadaj ich do zoznamu úloh“ zmení čmáranice na distribuovateľné zhrnutie, za predpokladu, že písmo zostáva čitateľné. Úžitok z toho majú aj účtovníci – pri fotografii faktúry výzva „Extrahuj číslo faktúry, dátum, sumu bez DPH, DPH a celkovú sumu“ vráti päť polí, ktoré potrebuješ na sledovanie.
Extrahuj a konaj v jednom ťahu
Nemusíš oddeľovať extrakciu od spracovania. Štítok v cudzom jazyku môžeš prečítať a preložiť jediným príkazom: „Prečítaj tento štítok a prelož ho do angličtiny.“ Centrum pomoci OpenAI však upozorňuje, že text v nelatinských písmach, ako je japončina alebo kórejčina, sa číta s menšou presnosťou. Pri takýchto dokumentoch si pred dôverou prekladu over prepis. Nafotený novinový článok môžeš prečítať a zhrnúť do troch kľúčových bodov. Jedálny lístok môžeš prečítať a filtrovať – „identifikuj vegetariánske možnosti s ich cenami“. Tlačená tabuľka sa priamo konvertuje do formátu CSV.
Zvykni si uvádzať konečný cieľ namiesto čiastkového kroku. Žiadosť o prepis v jednej správe a preklad v druhej ťa stojí extra kolo komunikácie za rovnaký výsledok.
Fotografia rozhoduje o všetkom
Presnosť extrakcie je určená v momente, keď robíš fotografiu. Žiadny príkaz nedokáže obnoviť informácie, ktoré sa tam stratili.
Na prvom mieste je osvetlenie. Dobre osvetlený dokument bez tieňov alebo odleskov sa číta ľahko; difúzne prirodzené svetlo prináša najlepšie výsledky. Kontraintuitívne, blesk často zhoršuje čitateľnosť vytváraním odleskov, ktoré vymažú celé časti textu. Rovnako dôležitý je uhol – fotiť treba rovno a kolmo, pretože šikmý uhol skresľuje znaky. Použi najvyššie dostupné rozlíšenie a odolaj pokušeniu zmenšiť obrázok pred odoslaním; dobre mienená kompresia ničí presne tie užitočné informácie. Nakoniec, orez by mal zahŕňať celý text bez nadmerného prázdneho priestoru okolo neho, pretože model analyzuje obrázky lepšie, keď obsah zaberá významnú časť záberu.
Ťažké prípady a ako ich riešiť
Niektorý text odoláva extrakcii. V týchto prípadoch je cieľom urobiť neistotu viditeľnou, namiesto toho, aby sa ignorovala. Pri neupravenom rukopise sa opýtaj: „Prepíš tento text. Keď si nie si istý slovom, označ ho v zátvorkách otáznikom.“ Tým presne zistíš, kam sa máš pri kontrole zamerať. Pri texte na komplexnom pozadí – napríklad na plagáte, kde písmená vystupujú proti fotografii – orež obrázok len na oblasť s textom. Pri starých alebo poškodených dokumentoch trochu kontextu vedie čítanie: „Tento dokument pochádza z 19. storočia; niektoré slová môžu používať archaický pravopis.“
Dve kontroly zostávajú tvojou zodpovednosťou. Po prvé, čísla: zámeny medzi 0 a O, 1 a l alebo 5 a S sú bežné a tiché, preto si dvakrát over sumy, identifikačné čísla a dátumy. Po druhé, jazyky: pri viacjazyčnom dokumente špecifikuj, ktoré jazyky sú prítomné. Inak môže model normalizovať pasáž na dominantný jazyk.
Teraz si na rade ty
Otestuj spoľahlivosť extrakcie. Vyskúšaj to na skutočnom dokumente – účtenke, liste, vizitke, strane z knihy alebo rukopisných poznámkach. Použi výzvu: „Extrahuj celý text z tohto obrázka. Potom štruktúrovane usporiadaj extrahované informácie a identifikuj kľúčové dátové body.“ Porovnaj výstup riadok po riadku s originálom. Táto kontrola je jediným spôsobom, ako zistiť skutočnú spoľahlivosť extrakcie.
Oficiálne zdroje: ChatGPT Image Inputs FAQ · Does ChatGPT tell the truth? (Centrum pomoci OpenAI)
Kľúčové poznatky
- ChatGPT funguje ako pokročilé OCR: extrahuje, štruktúruje a spracúva text v jednom kroku
- Spoj extrakciu s akciou (preklad, zhrnutie, preformátovanie), aby si ušetril čas
- Kvalita fotografie je kritická: dobré osvetlenie, kolmý uhol, vysoké rozlíšenie
- Vždy si over číselné údaje a vlastné mená v prepisoch
- Špecifikuj kontext a jazyk na zlepšenie presnosti pri komplexných textoch