- מקורתמונה או דף סרוק
- הכנהבחר את השפה והאזור
- זיהויחלץ את המילים
- סקירההשווה ותקן את הטקסט
בינה מלאכותית OCR הופכת כתיבה גלויה לטקסט מקודד
צילום או דף סרוק מכילים פיקסלים. הצורות בפיקסלים אלו עשויות להיות מזוהות לאדם, אך הן עדיין אינן התווים שמעבד תמלילים יכול לחפש או להעתיק. זיהוי תווים אופטי מעריך אילו תווים ומילים התמונה מכילה ומייצר טקסט מקודד. בינה מלאכותית OCR מתייחסת לגישות המשתמשות במודלים נלמדים בתהליך זיהוי זה או במשימות ניתוח מסמכים קשורות.
הקלט יכול להיות סריקה, צילום מצלמה, צילום מסך או תמונה בתוך PDF. סיומת הקובץ לבדה אינה קובעת אם נדרש זיהוי. PDF שנוצר ממעבד תמלילים עשוי כבר להכיל טקסט שמיש; PDF שנוצר מצילומי דפים עשוי להזדקק ל-OCR לפני שניתן יהיה לעשות שימוש חוזר במילותיו.
מספר החלטות עומדות מאחורי תוצאה שימושית: היכן הטקסט נמצא, מה הוא אומר וכיצד יש לסדר את חלקיו. זיהוי תווים, זיהוי אזורים וניתוח סדר קריאה מטפלים בחלקים שונים של אותה בעיה. שילוב שגוי של שתי עמודות הוא לפיכך שגיאת מבנה מסמך, גם כאשר המילים הבודדות נקראו נכון.
למידה עוזרת לזיהוי להתמודד עם וריאציות במקור
מזהה נלמד מפתח דפוסים שימושיים מתוך דוגמאות במקום להסתמך לחלוטין על תיאורי תווים שצוינו ידנית. הוא יכול ללמוד מאפיינים חזותיים הקשורים למשיכות, צורות וקבוצות של אותיות, ואז להשתמש במאפיינים אלו כדי לפרש תמונות חדשות. זה מציע דרך להתאים להבדלים בדפוס, בכתב יד ובתנאי צילום כאשר דוגמאות האימון והשיטה תומכים בכך.
הגבול בין OCR קונבנציונלי לבין בינה מלאכותית OCR אינו חלוקה היסטורית ברורה. רשתות עצביות, זיהוי סטטיסטי ומידול שפה היו חלק ממחקר מסמכים במשך עשורים. תוכנת OCR מבוססת עשויה כבר להכיל רכיבים נלמדים. זה יהיה מטעה לתאר כל מערכת קונבנציונלית כהתאמת תבניות נוקשה וכל מערכת חדשה יותר כסוג שונה לחלוטין של טכנולוגיה.
התרומה המעשית של למידה היא יכולת הסתגלות לדפוסים המיוצגים בנתונים. מזהה שנחשף לצורות אותיות מגוונות עשוי להתמודד עם יותר וריאציות מאשר מזה שפותח עבור קלט צר. תועלת זו עדיין תלויה במשימה הספציפית: קריאת שורה בכתב יד, איתור כותרת וזיהוי מבנה של טבלה דורשים ראיות והערכה שונים.
אימון מודל שונה מקריאת דף חדש
במהלך האימון, הפרמטרים הפנימיים של מודל מותאמים באמצעות דוגמאות ויעד למידה. עבור זיהוי טקסט, דוגמאות יכולות לזווג תמונות עם התמלולים שלהן. שלב אימון ראשוני רחב עשוי לבסס דפוסים חזותיים או לשוניים שימושיים, ולאחריו התאמה לאוסף או משימה ספציפיים יותר. דוגמאות סינתטיות יכולות גם לספק וריאציות בגופנים, בניסוח ובמראה לצד תמונות מסמכים אמיתיות.
כאשר מודל מאומן מעבד דף חדש, הוא מיישם את מה שלמד כדי להפיק תוצאה. שלב זה נקרא לעיתים קרובות הסקה (inference). הוא אינו דורש סבב חדש של אימון מודל עבור כל מסמך. ההבחנה מסבירה מדוע מזהה יכול לקרוא חומר שהוא לא נתקל בו כדף זהה לפני כן, תוך שהוא עדיין תלוי בסוגי הדפוסים שהאימון שלו הכין אותו לטפל בהם.
תיקון תמלול הוא פעולה נפרדת. התיקון משנה את הפלט הזה; הוא אינו מבסס כשלעצמו שהמודל הבסיסי למד את כתב היד של הכותב. תוכנה התומכת בהסתגלות זקוקה לתהליך מפורש לשימוש בדוגמאות כדי לעדכן את הזיהוי, מעבר לעריכת טקסט רגילה.
דפוסים חזותיים הופכים למילים באמצעות זיהוי רצף
זיהוי לא תמיד מתחיל בחיתוך תמונה לאותיות בודדות. קוראים מיומנים רבים מעבדים מילה או שורה כרצף. רכיב עיבוד תמונה יוצר ייצוג של התבניות החזותיות שלה, ורכיב רצף מקשר בין תבניות אלו לטקסט אפשרי. קריאת כתב יד מחובר נהנית במיוחד מגישות שאינן דורשות לספק כל גבול של תו מראש.
מחקר המשלב מאפייני תמונה נלמדים, מידול רצפים ותמלול מדגים כיצד ניתן לאמן שלבים אלו יחד. לראיות סמוכות יש חשיבות: סימן אנכי עשוי להיות האות l או הספרה 1, והצורה שלו והתווים שמסביבו עוזרים למערכת לבחור ביניהם. מערכת עשויה להפיק תווים, חלקי מילים או יחידות טקסט אחרות לפני הרכבת המחרוזת הסופית.
הקשר יכול להגיע מהתמונה, מהרצף שמסביב או ממידע שפה נוסף. מקורות אלו עוזרים לפתור אי-ודאות, אך הם ממלאים תפקידים שונים. הסימנים הנראים לעין קובעים מה זמין לקריאה, בעוד שהקשר נלמד משפיע על האופן שבו המערכת מפרשת אותם. תמלול שימושי משמר את הקשר הזה לדף.
מערכות מסמכים יכולות לשלב מספר שלבים או להפיק תוצאות ישירות
עיצוב נפוץ אחד משתמש ברכיבים נפרדים כדי לאתר טקסט, לזהות אותו ולנתח את המילים והמיקומים המתקבלים. זה יכול לחשוף מידע ביניים שימושי, כגון מיקומי מילים או שורות מזוהות. רכיב מאוחר יותר עשוי לאחר מכן לסווג את המסמך או לחלץ שדות נבחרים. ניתן לבחון שגיאות ושיפורים בשלב שבו הם מתרחשים.
עיצוב אחר משתמש בייצוג תמונה וברכיב יצירת טקסט כדי להפיק את הפלט המבוקש בצורה ישירה יותר. מחקר הדגים הבנת מסמכים ללא שלב OCR קונבנציונלי עצמאי, כולל תוצאות מובנות שנוצרו מתמונות דף. המונח ללא OCR במחקר זה מתאר את היעדר מנוע OCR נפרד; עדיין יש לפרש את המידע הכתוב מהתמונה.
עיצובים אלו יכולים לחפוף. קורא מיוחד עשוי להפיק טקסט חלק אחר חלק, ומערכת מסמכים גדולה יותר עשויה לשלב גלאי טקסט עם קורא נלמד ועיבוד נוסף. לכן, בינה מלאכותית OCR אינה מזהה ארכיטקטורה קבועה אחת. השאלות החשובות הן איזו תוצאה המערכת מפיקה ואילו ראיות נותרות זמינות לבדיקתה.
פריסה עוזרת לקשר בין מילים מזוהות לתפקידן
דף מתקשר באמצעות מיקום כמו גם באמצעות ניסוח. לתאריך ליד תווית 'תאריך חשבונית' יש תפקיד שונה מתאריך ליד 'תאריך פירעון'. למספר תחת כותרת 'סה"כ' עשויה להיות משמעות שונה מאותו מספר בשורת פריט. מודלי מסמכים יכולים להשתמש בטקסט מזוהה, בקואורדינטות שלו ובמידע מתמונת הדף כדי ללמוד את הקשרים הללו.
מחקר על אימון מוקדם של מסמכים מולטי-מודאליים משלב את מקורות המידע הללו למשימות כגון פרשנות טפסים, עיבוד קבלות וסיווג מסמכים. זה מרחיב את הזיהוי לניתוח: המערכת מבררת כיצד רכיבי מסמך מתקשרים למשימה, במקום רק להפיק את מחרוזות התווים שלהם. זה גם מסביר מדוע שימור מיקומים יכול להיות שימושי גם כאשר התוצאה הסופית היא קבוצה קטנה של שדות.
פרשנות יכולה להתבצע על ידי מודלים נלמדים ספציפיים למשימה, כללים או שילוב של שניהם. היא עדיין זקוקה לאימות המתאים למטרתה. זיהוי מועד תשלום, בדיקה אם סה"כ עקבי והחלטה אם יש לאשר חשבונית הם דרישות נפרדות; הצלחה בקריאת המילים אינה מבססת אוטומטית הצלחה בכל השלושה.
תמלול, חילוץ ותשובות על מסמכים מפיקים תוצאות שונות
שקול דוגמה פשוטה המכילה 'תאריך חשבונית': 3 במרץ, 'תאריך פירעון': 17 במרץ ו'סה"כ': 125.00. תמלול צריך לשמר את הניסוח הנראה לעין. מחלץ שדות עשוי להחזיר רק את מועד התשלום והסכום, בעוד שמערכת שאלות-תשובות על מסמכים יכולה לענות על בקשה לתאריך הפירעון. כל תוצאה יכולה להיות שימושית, אך הפלטים הקצרים יותר אינם תמלולים מלאים.
אותה הבחנה חלה על טרנספורמציות מאוחרות יותר. תרגום משנה שפה; עריכה משנה ניסוח או הצגה; סיכום בוחר מידע. הגדרת המשימה תחילה מקלה על הערכת התוצאה. הטבלה מתארת משימות כלליות של עיבוד מסמכים, במקום להניח שכל כלי OCR מציע את כולן.
| משימה | תוצאה לדוגמה | מה המשימה מוסיפה |
|---|---|---|
| תמלול | התוויות הנראות לעין, התאריכים והסכום | ייצוג טקסטואלי של ניסוח המקור |
| חילוץ שדות | תאריך פירעון = 17 במרץ; סה"כ = 125.00 | שיוך ערכים לשדות בעלי שם |
| מענה על שאלות במסמכים | 17 במרץ, בתגובה לשאלת תאריך פירעון | בחירת מידע רלוונטי לשאלה |
| תרגום | אותו מידע בשפה אחרת | שינוי שפה שחייב לשמר את המשמעות המיועדת |
| עריכה או סיכום | ניסוח מתוקן או תיאור קצר יותר | טרנספורמציה של התמלול למטרה אחרת |
הקשר שימושי חייב להישאר קשור לראיות נראות לעין
מזהה יכול להשתמש בהקשר כדי לפתור תו קשה, אך משפט סביר אינו בהכרח תמלול נאמן. שם לא נפוץ עשוי להיות מוחלף במילה מוכרת, או שגיאת כתיב אמיתית עשויה להיות מתוקנת בשקט. התנהגות זו יכולה להיות מועילה במשימת עריכה בעוד שהיא שגויה עבור ציטוט או תמלול ארכיוני.
מדד כתב יד שפורסם ב-2026 בחן הבחנה זו ודיווח על תיקונים ללא תמיכה חזותית במספר מערכות גנרטיביות שנבדקו. הממצא נוגע למערכות ומשימות מסוימות, לא לכל מזהה בינה מלאכותית. הוא מחזק גבול שימושי: קריאה, שכתוב והשלמת תוכן חסר הם יעדים שונים. כאשר המקור אינו מבסס מילה, פלט רהוט בלבד אינו יכול לבסס אותה גם כן.
בחר את התוצאה הנדרשת לפני השוואת גישות זיהוי
נקודת ההתחלה הטובה ביותר היא הפלט שהמשימה הבאה שלך צריכה. שימוש חוזר בפסקה דורש טקסט שניתן לעריכה. חיפוש בסריקה עשוי לדרוש שכבת טקסט המשויכת לתמונת הדף שלה. ייבוא שדות חשבונית למערכת אחרת זקוק לחילוץ מובנה. דרישות אלו צריכות להנחות השוואה יותר מאשר תווית בינה מלאכותית כללית.
הערך את היכולת הרלוונטית על חומר מייצג. מדדי מחקר מבחינים בין זיהוי טקסט, לוקליזציה, פריסה, אלמנטים מורכבים והסקה מכיוון שמערכת יכולה לתפקד בצורה שונה במשימות אלו. תוצאה חזקה על טקסט מודפס ברור אינה מבססת את האיכות של נוסחאות בכתב יד או את המבנה של טבלה. זמן תגובה וכמות הבדיקה הנדרשת יכולים גם הם להיות חשובים בזרימת עבודה מעשית.
שימור מראה הדף הוא בחירת פלט נפרדת. סריקה הניתנת לחיפוש שומרת תמונה עם טקסט משויך, בעוד שמסמך טקסט שעוצב מחדש מבצע פשרות שונות. קובץ שנקרא PDF לא אומר לך איזה ייצוג הוא מכיל. החלט אם השלב הבא זקוק לסידור החזותי המקורי, לתמלול שניתן לעריכה או לקבוצת נתונים מסוימת.
כלי זיהוי וטקסט ב-i2OCR
i2OCR מספק תמונה ו-PDF OCR עם מצבי זיהוי 'קלאסי' ו-'עתידי', בהתאם לשפה שנבחרה. אלו הם מצבי מוצר, לא הגדרות טכניות של כל ארכיטקטורת OCR. בחר את שפת המסמך, ולאחר מכן זהה את התמונה, הדף ה-PDF שנבחר או האזור שנבחר. בקשת זיהוי PDF אחת מעבדת דף או אזור נבחר אחד.
לאחר הזיהוי, תוכלו לעיין בתמלול ולערוך אותו, לפתוח את 'עריכה חכמה' (Smart Edit) או לבקש תרגום. אלו פעולות נפרדות בעלות מטרות שונות. תיקונים רגילים מעדכנים את התוצאה הנוכחית; הם אינם מהווים תכונה לאימון כתב יד. שמירת תמלול שעבר עריכה לפני שכתוב או תרגום מקלה על השוואת גרסאות מאוחרות יותר מול המקור.
שני המצבים מציעים הורדות בפורמט טקסט ו-Word. ה-PDF הניתן לחיפוש של מצב 'קלאסי' שומר את הדף או האזור שזוהה כתמונה עם שכבת טקסט הזיהוי המקורית שלו; עריכות טקסט מאוחרות יותר אינן מעדכנות את שכבת ה-PDF הזו. ה-PDF הפשוט של מצב 'עתידי' נוצר מהטקסט הנוכחי בפריסה חדשה. בחרו את הפלט שמתאים לצורך שלכם – בין אם אתם זקוקים למראה המקור או לניסוח הערוך.