برآورد پروژهٔ OCR آرشیو

روش محاسبه

• اندازهٔ هر صفحه بر اساس نوع اسکن: 0.35 مگابایت برای متن تمیز 300 نقطه بر اینچ، 0.9 برای متن و نمودار مخلوط، 1.6 برای صفحهٔ عکس‌برداری‌شده و 12 برای نقشه و نمودار بزرگ.
• دقت پایهٔ OCR هم از روی همان نوع اسکن گرفته می‌شود و بعد به اندازهٔ سهم دست‌نویس و هر زبان اضافه، کم می‌شود.
• هر صفحه‌ای که زیر آستانهٔ اطمینان شما بیفتد به صف بازبینی می‌رود. اندازهٔ این صف است که نفر-ماه بازبین را تعیین می‌کند.
• خروجی‌های جانبی، یعنی متن استخراج‌شده، JSON چیدمان و لایهٔ PDF قابل جست‌وجو، حدود 35 درصد به حجم تصاویر اضافه می‌کنند.

کجا دیگر جواب نمی‌دهد

عددهای دقت اینجا نمونه‌اند، نه پیش‌بینی. یک آرشیو می‌تواند هم گزارش تایپی تمیز داشته باشد، هم چاپ حرارتی محوشده، هم نقشهٔ فنی و هم دست‌خط حفار به دو خط؛ میانگین گرفتن روی چنین ترکیبی بی‌معناست. تنها راه درست این است که پیش از دادن زمان‌بندی، دویست صفحهٔ نمونه را از خط پردازش واقعی رد کنید. مدل صف بازبینی هم عمداً ساده است: صف واقعی وقتی بزرگ می‌شود که بازبین‌ها با هم اختلاف نظر پیدا کنند، و هیچ عدد اطمینانی این را نشان نمی‌دهد.