Unlimited OCR 2: PDF scan ke teks dan ekstraksi tabel

Apa yang ditambahkan Unlimited OCR 2?

Baidu menjelaskan pengenalan terstruktur untuk judul, paragraf, tabel, dan unsur tata letak lain, termasuk menyatukan teks serta tabel yang terpotong halaman. Rilis ini ditujukan untuk dokumen sangat panjang. Nama Unlimited bukan jaminan pemakaian daring tanpa batas: periksa kuota layanan dan persyaratan penerapannya.

Sumber: Baidu: Unlimited OCR 2 release and public test

PDF scan ke teks: gunakan tiga tahap

Pertama, kenali input. Jika teks tidak bisa dipilih, mungkin diperlukan OCR. Jika teks bisa dipilih tetapi tabel tersalin ke kolom yang salah, periksa ekstraksi tata letak. Letakkan halaman asli di samping hasil untuk mengecek struktur.

Kedua, periksa ID, tanggal, pemisah desimal, tanda negatif, dan judul kolom. Simpan nomor halaman untuk setiap baris. Pergeseran kolom bisa mengubah angka benar menjadi pernyataan salah.

Ketiga, minta asisten menjawab hanya berdasarkan teks terverifikasi. Wajibkan rujukan sumber untuk klaim penting dan tanda tidak diketahui untuk bidang kosong. Pisahkan pertanyaan transkripsi dari interpretasi.

Cara memeriksa tabel yang melintasi halaman

Judul berulang adalah label, bukan baris data baru. Jangan menambahkan subtotal lagi ke rincian pembentuknya. Sebelum menggabungkan baris lintas halaman, cocokkan ID; uraian serupa bisa milik catatan berbeda.

Sebelum ekspor ke spreadsheet, hitung baris asli, pastikan satuan setiap kolom angka, dan periksa setidaknya satu jumlah secara manual. Biarkan karakter meragukan ditandai tidak pasti, bukan ditebak oleh asisten.

Coba prompt analisis dokumen dengan jawaban yang diketahui

Latihan teks fiktif ini menguji penalaran setelah ekstraksi, bukan model OCR. Tidak perlu unggah berkas. Hasil benar adalah A17 = 40 unit, B22 = 25 unit, total 65. Judul berulang tidak menambah apa pun dan status pembayaran keduanya tidak diketahui.

Jika asisten menganggap faktur lunas, menggandakan baris, atau menghitung judul sebagai item, hasilnya salah. Minta halaman sumber setiap baris sebelum menggunakannya dalam dokumen lain.

Gunakan hanya dokumen hasil ekstraksi fiktif ini. Halaman 1: judul Faktur | Jumlah; baris A17 | 40 unit. Halaman 2: judul berulang Faktur | Jumlah; baris B22 | 25 unit. Status pembayaran tidak disebutkan. Buat tabel berisi ID faktur, jumlah, halaman sumber, dan status pembayaran. Jumlahkan kedua jumlah tersebut satu kali saja. Tandai status pembayaran sebagai tidak diketahui. Jelaskan mengapa judul berulang bukan baris data. Jangan menyimpulkan pembayaran atau mengarang informasi yang hilang.

Memilih alat OCR untuk dokumen Anda

Sebelum mengolah arsip, coba halaman bersih, scan berkualitas rendah, halaman multikolom, dan tabel terpotong. Periksa bahasa dan aksara berkas Anda. Keberhasilan pada satu bahasa atau contoh bersih tidak menjamin akurasi semua dokumen.

Untuk dokumen rahasia, periksa lokasi pemrosesan dan ketentuan data sebelum mengunggah. Gunakan contoh fiktif atau yang sudah disamarkan selama evaluasi. Bobot terbuka dan layanan daring adalah pilihan penerapan berbeda dengan kebutuhan operasional berbeda.

Hasil yang berguna adalah data yang bisa ditelusuri dan diperiksa. Ukur waktu koreksi dan baris hilang selain kecepatan ekstraksi. Output cepat tidak membantu jika tabel harus dibangun ulang.