AI OCR dijelaskan: bagaimana mesin belajar membaca dokumen

AI OCR mengubah tulisan yang terlihat menjadi teks tersandi

Foto atau halaman hasil pindai berisi piksel. Bentuk dalam piksel tersebut mungkin dapat dikenali oleh seseorang, tetapi belum berupa karakter yang dapat dicari atau disalin oleh penyunting teks. Pengenalan karakter optis memperkirakan karakter dan kata apa yang terkandung dalam gambar dan menghasilkan teks tersandi. AI OCR merujuk pada pendekatan yang menggunakan model yang dipelajari dalam proses pengenalan ini atau dalam tugas analisis dokumen terkait.

Inputnya bisa berupa hasil pindai, foto kamera, tangkapan layar, atau gambar di dalam PDF. Ekstensi file saja tidak menentukan apakah pengenalan diperlukan. PDF yang dibuat dari pengolah kata mungkin sudah berisi teks yang dapat digunakan; PDF yang dibuat dari foto halaman mungkin memerlukan OCR sebelum kata-katanya dapat digunakan kembali.

Beberapa keputusan mendasari hasil yang berguna: di mana teks berada, apa isinya, dan bagaimana bagian-bagiannya harus diurutkan. Pengenalan karakter, deteksi wilayah, dan analisis urutan baca menangani bagian yang berbeda dari masalah tersebut. Oleh karena itu, menggabungkan dua kolom secara tidak benar adalah kesalahan struktur dokumen, bahkan ketika kata-kata individu dibaca dengan benar.

Pembelajaran membantu pengenalan menangani variasi dalam sumber

Pengenal yang dipelajari mengembangkan pola yang berguna dari contoh, alih-alih sepenuhnya mengandalkan deskripsi karakter yang ditentukan secara manual. Pengenal ini dapat mempelajari fitur visual yang terkait dengan goresan, bentuk, dan kelompok huruf, kemudian menggunakan fitur tersebut untuk menafsirkan gambar baru. Ini menawarkan cara untuk mengakomodasi perbedaan dalam cetakan, tulisan tangan, dan kondisi pengambilan gambar saat contoh pelatihan dan metodenya mendukungnya.

Batas antara OCR konvensional dan AI OCR bukanlah pembatas sejarah yang bersih. Jaringan saraf, pengenalan statistik, dan pemodelan bahasa telah menjadi bagian dari penelitian dokumen selama beberapa dekade. Perangkat lunak OCR yang mapan mungkin sudah berisi komponen yang dipelajari. Akan menyesatkan jika menggambarkan setiap sistem konvensional sebagai pencocokan templat yang kaku dan setiap sistem yang lebih baru sebagai jenis teknologi yang sama sekali berbeda.

Kontribusi praktis dari pembelajaran adalah kemampuan beradaptasi terhadap pola yang diwakili dalam data. Pengenal yang terpapar pada bentuk huruf yang bervariasi dapat menangani lebih banyak variasi daripada pengenal yang dikembangkan untuk input yang sempit. Manfaat tersebut masih bergantung pada tugas tertentu: membaca baris tulisan tangan, menemukan judul, dan mengidentifikasi struktur tabel memerlukan bukti dan evaluasi yang berbeda.

Melatih model berbeda dengan membaca halaman baru

Selama pelatihan, parameter internal model disesuaikan menggunakan contoh dan tujuan pembelajaran. Untuk pengenalan teks, contoh dapat memasangkan gambar dengan transkripsinya. Tahap pelatihan awal yang luas dapat menetapkan pola visual atau bahasa yang berguna, diikuti dengan adaptasi ke koleksi atau tugas yang lebih spesifik. Contoh sintetis juga dapat memberikan variasi dalam font, kata-kata, dan tampilan di samping gambar dokumen asli.

Saat model terlatih memproses halaman baru, model tersebut menerapkan apa yang telah dipelajarinya untuk menghasilkan hasil. Tahap ini sering disebut inferensi. Ini tidak memerlukan putaran pelatihan model baru untuk setiap dokumen. Perbedaan ini menjelaskan mengapa pengenal dapat membaca materi yang belum pernah ditemuinya sebagai halaman yang identik sebelumnya, sambil tetap bergantung pada jenis pola yang disiapkan oleh pelatihannya untuk ditangani.

Memperbaiki transkrip adalah operasi terpisah. Perbaikan tersebut mengubah keluaran itu; perbaikan tersebut tidak dengan sendirinya menetapkan bahwa model yang mendasarinya telah mempelajari tulisan tangan penulis. Perangkat lunak yang mendukung adaptasi memerlukan proses eksplisit untuk menggunakan contoh guna memperbarui pengenalan, di luar penyuntingan teks biasa.

Pola visual menjadi kata melalui pengenalan urutan

Pengenalan tidak selalu dimulai dengan memotong gambar menjadi huruf-huruf individual. Banyak pembaca yang terlatih memproses kata atau baris sebagai sebuah urutan. Komponen pemrosesan gambar membuat representasi dari pola visualnya, dan komponen urutan menghubungkan pola-pola tersebut dengan teks yang mungkin. Membaca tulisan tangan yang bersambung khususnya mendapat manfaat dari pendekatan yang tidak mengharuskan setiap batas karakter ditentukan sebelumnya.

Penelitian yang menggabungkan fitur gambar yang dipelajari, pemodelan urutan, dan transkripsi menunjukkan bagaimana tahapan-tahapan ini dapat dilatih bersama. Bukti di sekitar sangat penting: tanda vertikal mungkin merupakan huruf l atau angka 1, dan bentuk serta karakter di sekitarnya membantu sistem memilih di antara keduanya. Sebuah sistem mungkin menghasilkan karakter, potongan kata, atau unit teks lainnya sebelum menyusun string akhir.

Konteks dapat berasal dari gambar, urutan di sekitarnya, atau informasi bahasa tambahan. Sumber-sumber ini membantu mengatasi ketidakpastian, namun mereka memiliki peran yang berbeda. Tanda-tanda yang terlihat menetapkan apa yang tersedia untuk dibaca, sementara konteks yang dipelajari memengaruhi bagaimana sistem menafsirkannya. Transkrip yang berguna mempertahankan hubungan tersebut dengan halaman.

Sistem dokumen dapat menggabungkan beberapa tahapan atau menghasilkan hasil secara langsung

Satu desain umum menggunakan komponen terpisah untuk menemukan teks, mengenalinya, dan menganalisis kata serta posisi yang dihasilkan. Hal ini dapat mengungkap informasi perantara yang berguna, seperti lokasi kata atau baris yang dikenali. Komponen selanjutnya kemudian dapat mengklasifikasikan dokumen atau mengekstrak bidang yang dipilih. Kesalahan dan perbaikan dapat diperiksa pada tahap di mana kesalahan tersebut terjadi.

Desain lain menggunakan representasi gambar dan komponen penghasil teks untuk menghasilkan output yang diminta secara lebih langsung. Penelitian telah menunjukkan pemahaman dokumen tanpa tahap OCR konvensional yang independen, termasuk hasil terstruktur yang dihasilkan dari gambar halaman. Istilah bebas OCR dalam penelitian tersebut menggambarkan tidak adanya mesin OCR terpisah; informasi tertulis tetap harus ditafsirkan dari gambar.

Desain-desain ini dapat tumpang tindih. Pembaca khusus mungkin menghasilkan teks sepotong demi sepotong, dan sistem dokumen yang lebih besar mungkin menggabungkan detektor teks dengan pembaca yang dipelajari serta pemrosesan tambahan. Oleh karena itu, AI OCR tidak mengidentifikasi satu arsitektur tetap. Pertanyaan pentingnya adalah hasil apa yang dihasilkan sistem dan bukti apa yang tetap tersedia untuk memeriksanya.

Tata letak membantu menghubungkan kata-kata yang dikenali dengan perannya

Sebuah halaman berkomunikasi melalui posisi serta kata-kata. Tanggal di sebelah label tanggal Faktur memiliki peran yang berbeda dari tanggal di sebelah Tanggal jatuh tempo. Angka di bawah judul total mungkin memiliki arti yang berbeda dari angka yang sama dalam item baris. Model dokumen dapat menggunakan teks yang dikenali, koordinatnya, dan informasi gambar halaman untuk mempelajari hubungan-hubungan ini.

Penelitian tentang pra-pelatihan dokumen multimodal menggabungkan sumber informasi tersebut untuk tugas-tugas seperti interpretasi formulir, pemrosesan tanda terima, dan klasifikasi dokumen. Hal ini memperluas pengenalan menjadi analisis: sistem bekerja untuk mencari tahu bagaimana elemen dokumen berhubungan dengan suatu tugas, alih-alih hanya menghasilkan string karakternya. Hal ini juga menjelaskan mengapa mempertahankan lokasi bisa berguna bahkan ketika hasil akhirnya adalah sekumpulan kecil bidang.

Interpretasi dapat dilakukan oleh model yang dipelajari khusus untuk tugas tertentu, aturan, atau kombinasi keduanya. Interpretasi tersebut masih memerlukan validasi yang sesuai dengan tujuannya. Mengidentifikasi tenggat waktu pembayaran, memeriksa apakah total konsisten, dan memutuskan apakah faktur harus disetujui adalah persyaratan yang terpisah; keberhasilan dalam membaca kata-kata tidak secara otomatis menetapkan keberhasilan pada ketiganya.

Transkripsi, ekstraksi, dan jawaban dokumen menghasilkan hasil yang berbeda

Pertimbangkan contoh sederhana yang berisi Tanggal faktur: 3 Maret, Tanggal jatuh tempo: 17 Maret, dan Total: 125.00. Transkripsi harus mempertahankan kata-kata yang terlihat tersebut. Pengekstrak bidang mungkin hanya mengembalikan tenggat waktu pembayaran dan jumlah, sementara sistem tanya-jawab dokumen dapat menjawab permintaan untuk tanggal jatuh tempo. Setiap hasil bisa berguna, tetapi output yang lebih pendek bukanlah transkripsi yang lengkap.

Perbedaan yang sama berlaku untuk transformasi selanjutnya. Terjemahan mengubah bahasa; penyuntingan mengubah kata-kata atau penyajian; ringkasan memilih informasi. Menentukan tugas terlebih dahulu membuat hasil lebih mudah dinilai. Tabel ini menjelaskan tugas pemrosesan dokumen secara umum, alih-alih berasumsi bahwa setiap alat OCR menawarkan semuanya.

Konteks yang berguna harus tetap terikat pada bukti yang terlihat

Pengenal dapat menggunakan konteks untuk menyelesaikan karakter yang sulit, tetapi kalimat yang masuk akal belum tentu merupakan transkrip yang setia. Nama yang tidak umum mungkin diganti dengan kata yang familier, atau kesalahan ejaan yang asli mungkin diperbaiki secara diam-diam. Perilaku tersebut dapat membantu dalam tugas penyuntingan namun salah untuk kutipan atau transkripsi arsip.

Tolok ukur tulisan tangan yang diterbitkan pada 2026 memeriksa perbedaan ini dan melaporkan koreksi yang tidak didukung secara visual di beberapa sistem generatif yang diuji. Temuan ini menyangkut sistem dan tugas tertentu, bukan setiap pengenal AI. Hal ini memperkuat batasan yang berguna: membaca, menulis ulang, dan melengkapi konten yang hilang adalah tujuan yang berbeda. Ketika sumber tidak menetapkan sebuah kata, output yang lancar saja tidak dapat menetapkannya juga.

Pilih hasil yang diperlukan sebelum membandingkan pendekatan pengenalan

Titik awal terbaik adalah output yang dibutuhkan tugas Anda berikutnya. Menggunakan kembali paragraf memerlukan teks yang dapat diedit. Mencari hasil pindai mungkin memerlukan lapisan teks yang terkait dengan gambar halamannya. Mengimpor bidang faktur ke sistem lain memerlukan ekstraksi terstruktur. Persyaratan tersebut harus memandu perbandingan lebih dari sekadar label AI umum.

Evaluasi kemampuan yang relevan pada materi yang representatif. Tolok ukur penelitian membedakan pengenalan teks, lokalisasi, tata letak, elemen kompleks, dan penalaran karena sistem dapat bekerja secara berbeda di seluruh tugas tersebut. Hasil yang kuat pada teks cetak yang jelas tidak menetapkan kualitas rumus tulisan tangan atau struktur tabel. Waktu respons dan jumlah tinjauan yang diperlukan juga dapat memengaruhi alur kerja praktis.

Mempertahankan tampilan halaman adalah pilihan output yang terpisah. Hasil pindai yang dapat dicari menyimpan gambar dengan teks terkait, sementara dokumen teks yang baru ditata membuat pertukaran yang berbeda. File yang disebut PDF tidak memberi tahu Anda representasi mana yang dikandungnya. Putuskan apakah langkah selanjutnya memerlukan pengaturan visual asli, transkrip yang dapat diedit, atau sekumpulan data tertentu.

Alat pengenalan dan teks dalam i2OCR

i2OCR menyediakan gambar dan PDF OCR dengan mode pengenalan Klasik dan Masa Depan, tergantung pada bahasa yang dipilih. Ini adalah mode produk, bukan definisi teknis dari setiap arsitektur OCR. Pilih bahasa dokumen, lalu kenali gambar, halaman PDF yang dipilih, atau area yang dipilih. Satu permintaan pengenalan PDF memproses satu halaman atau area yang dipilih.

Setelah pengenalan, Anda dapat meninjau dan mengedit transkrip, membuka Smart Edit, atau meminta terjemahan. Ini adalah tindakan terpisah dengan tujuan yang berbeda. Koreksi biasa memperbarui hasil saat ini; ini bukan fitur pelatihan tulisan tangan. Menyimpan transkripsi yang telah ditinjau sebelum menulis ulang atau menerjemahkan memudahkan perbandingan versi nantinya dengan sumbernya.

Kedua mode menawarkan unduhan teks dan Word. PDF yang dapat dicari di mode Klasik menyimpan halaman atau area yang dikenali sebagai gambar dengan lapisan teks pengenalan aslinya; pengeditan teks di kemudian hari tidak memperbarui lapisan PDF tersebut. PDF sederhana di mode Masa Depan dihasilkan dari teks saat ini dalam tata letak baru. Pilih output yang sesuai dengan kebutuhan Anda, apakah Anda memerlukan tampilan sumber atau kata-kata yang telah diedit.