خواندن چهل سال گزارش میدانی فارسی

یک شرکت بهره‌بردار ملی معمولی، ده‌ها ترابایت سند اسکن‌شده دارد که بیشترشان فارسی یا عربی‌اند و چهار دهه ابزار و کیفیت اسکن مختلف را در بر می‌گیرند. موتورهای OCR همه‌منظوره با فارسی تایپیِ تمیز به‌قدر کافی کنار می‌آیند و همه‌جای دیگر به‌شدت افت می‌کنند.

خطی که جواب می‌دهد مرحله‌ای است: صاف کردن کجی و گرفتن نوفه، بعد تحلیل چیدمان، بعد بازشناسی با مدل‌های جداگانه برای لاتین چاپی، فارسی و عربی چاپی، جدول، و دست‌نویس. برخورد با کل صفحه به‌عنوان یک مسئلهٔ بازشناسی واحد، همان جایی است که کیفیت از دست می‌رود.

یافتهٔ ناخوشایند در همهٔ بایگانی‌ها یکسان است. ستون ملاحظات دست‌نویس، که همان‌جاست که اکیپ‌ها نوشته‌اند واقعاً چه اتفاقی افتاده، با دقتی به‌مراتب کمتر از متن تایپی همان صفحه بازشناسی می‌شود. آن نواحی به‌جای پذیرفته‌شدن، علامت می‌خورند و به بازبینی انسانی می‌روند.

پس امتیاز اطمینان برای هر ناحیه یک تجمل نیست. بدون آن، استخراج ساختاریافته‌ای که روی خروجی OCR سوار می‌شود خطاهایی را به ارث می‌برد که نمی‌بیندشان، و پایگاهی از عددهای بااطمینانِ غلط از نداشتن پایگاه بدتر است.

نتیجهٔ واقع‌بینانهٔ یک برنامهٔ بایگانی، یک پیکرهٔ قابل‌جست‌وجو با پروفیل خطای شناخته‌شده و گزارش‌شده است، به‌علاوهٔ یک صف بازبینی که تیم سوابق ماه‌ها رویش کار می‌کند. این نسبت به یک کمد، پیشرفت بزرگی است؛ و همان دیجیتال‌سازی بی‌عیب نیست.