Riba:
- Ability don saita digitization da aikin OCR (bincike, pre-aiki, fitarwa, gyara, tabbatarwa) mataki-mataki
- Ikon yin amfani da AI don gyara kurakuran OCR tare da mahallin yayin kiyaye gyara da sake rubuta layin da alamar rashin fahimta tare da [?]
- Fahimtar dalilin da ya sa dole ne a tabbatar da lambobi, kwanakin da sunayen da suka dace da gani da kuma rawar sarrafa inganci.
Miliyoyin shafukan da ke kan rumbun adana kayan tarihi ko ɗakin karatu ana buɗe su da gaske ga mai binciken ne kawai lokacin da aka ƙirƙira su da bincike. Digitization yana canza takarda ta zahiri zuwa hoto na dijital ta hanyar dubawa ko daukar hoto. Amma hoton shafi bai riga ya zama "rubutu" ba; Ga kwamfutar har yanzu hoto ne, ba za ku iya bincika cikinta ba. Wannan shine inda OCR ke shiga.
OCR (Gane Haruffa Na gani) fasaha ce da ke gane haruffan da aka buga a cikin hoton daftarin aiki kuma ta canza su zuwa rubutun da ake iya karantawa na inji. A cikin wannan rukunin, zaku koyi yadda ake ƙididdige takaddun bugu na tarihi tare da OCR, yadda AI ke taimakawa gyara kurakuran OCR a cikin wannan tsari, da kuma inda idon ɗan adam ke da mahimmanci. (Rubutun da aka rubuta da hannu suna buƙatar wata fasaha ta dabam; za mu rufe hakan a raka'a ta gaba.)
Gudun aikin digitization: mataki-mataki
1. Shiri da nunawa. Bincika daftarin aiki a mafi inganci mai yiwuwa. Babban ƙa'idar babban yatsan yatsa don binciken tarihi shine ƙuduri na aƙalla 300-400 DPI (digi a cikin inch). Ƙananan ƙuduri yana haɓaka ƙimar kuskure a matakin OCR na gaba.
2. Gabatar da hoto. Haɓaka hoton kafin OCR yana ƙara samun nasara sosai: zazzage shafin da aka bincika, cire aibi, ƙara bambanci, canzawa zuwa baki da fari. Kayan aikin AI na zamani na iya sarrafa wannan matakin.
3. Aikace-aikacen OCR. Kuna ciyar da hoton zuwa injin OCR; Injin yana gane haruffa kuma yana samar da rubutu. Fitowar yawanci ta ƙunshi yadudduka biyu: hoton daftarin aiki da ake iya gani da kuma “launi mai ɓoye ɓoye” a ƙasa.
4. Gyara (bayan gyara). Raw OCR fitarwa ba zai taba cikakke ba. Ana karanta haruffa ba daidai ba saboda tsoffin haruffa, takarda mai launin rawaya, shafan tawada, da kurakuran dubawa. Wannan shine inda AI shine mataimaki mai ƙarfi: yana ba da shawara da gyara kurakurai OCR ta amfani da mahallin.
5. Tabbatarwa da kula da inganci. Mutum yana duba rubutun da aka gyara akan samfurin ko gaba daya. Musamman wurare masu mahimmanci kamar sunaye, kwanan wata da lambobi dole ne a tantance su ta gani.
Me yasa OCR ke yin kuskure, yadda AI ke taimakawa
Matsaloli na yau da kullun waɗanda ke ƙalubalantar OCR a cikin takaddun tarihi: tsofaffi da kyawawan haruffa, tsoffin haruffa kamar dogayen "s" (ſ), shimfidar shafi mai shafi biyu, bayanan kafa, rubutun hannu, hatimi, da tawada maras kyau. Saboda injin OCR yana “gani” haruffa ɗaya bayan ɗaya, yana yawan rikitar da “rn” binary a matsayin “m”, harafin “l” a matsayin lamba “1”, da harafin “O” a matsayin “0”.
Samfuran Harshen AI suna ba da iko daban-daban anan: sun fahimci mahallin. Idan injin OCR ya rubuta "1stanbu1", AI zai iya fahimta daga mahallin cewa ya kamata ya zama "Istanbul". Amma akwai babban haɗari a nan: lokacin da "gyara" AI zai iya canza rubutun. Zai iya ƙara "Na gyara" kalmar da ba ta wanzu ko kuma cika wani wuri mara tabbas da nasa zato. Wannan yana rushe amincin rubutun.
Tsanaki: Ka'idar zinari a cikin gyaran OCR ita ce: AI yakamata ya gyara kurakurai bayyananne kawai, ba fassara ko ƙara abubuwan da ke cikin rubutun ba. "1stanbu1 → Istanbul" halal ne; Ba batun cika kalmar da ba za a iya karantawa da zato ba ne. Wuraren da ba su da tabbas yakamata a yiwa alama da [?] kuma bai kamata a gyara su ba.
Nau'in kuskuren OCR da kusanci tare da tebur
Nau'in kuskure
misali
Shin AI zai iya gyara shi?
sarrafa mutane
hadewar hali
rn↔m, l↔1, O↔0
Ee, lafiya
samfurin
tsohon haruffa
dogon → s
Ee, lafiya
samfurin
Rushewar kalmar da ba za a iya karantawa ba
"ka__n"
A'a, yakamata a saka [?]
wajibi
dace suna / sunan wuri
"Constantiniyy"
mai hankali
wajibi
Lamba/kwanan wata
"1867" da "1857"
m
wajibi
Tsarin shafi (shafi / bayanin kula)
gauraye kwarara
wani bangare
wajibi
Don taƙaita hoton a cikin jumla ɗaya: AI da dogaro yana tsaftace kurakuran halaye na yau da kullun; Amma idanuwan mutum ana buƙatar sunaye na musamman, lambobi, kwanan wata da wuraren da ba za a iya karantawa ba.
uku mini lokuta
Case 1 — Taskokin Jarida sun zama abin nema. Wani ɗakin karatu na jami'a ya ƙirƙira shafuka 12,000 na jaridun gida daga 1930s. An kiyasta daidaiton albarkatun OCR 82% (18 cikin kowane haruffa 100 ba daidai ba ne). Gyara tushen AI ya haɓaka daidaito zuwa 96% tare da ƙamus da ya dace da harshen jarida da mahallin. Don kurakuran da suka rage, an yi gwajin samfurin maimakon cikakken rubutu; Tarin ya zama abin nema a cikin makonni 3.
Case 2 - AI "gyara" da kuma gurbata tarihi. Wani ma'aikacin kayan tarihi ya sa AI ya gyara kwanan wata "1863" akan bugun OCR. AI ta "gyara" kwanan wata zuwa "1868" ta hanyar kallon wani taron a cikin mahallin - ko da yake takardar ta bayyana a fili a 1863. Idan ma'aikacin tarihin bai kalli ainihin hoton ba, kundin tarihin zai shiga tare da kwanan wata ba daidai ba. Darasi: lambobi da kwanakin ba a taɓa barin su ga AI ba, an tabbatar da su tare da hoton.
Case 3 - Shafi na ginshiƙi biyu a ruɗe. Shafukan shafi biyu na littafin shekara na ƙarni na 19 an gauraye su cikin rafi ɗaya a cikin OCR kuma an haɗa jimlolin. Abubuwan da aka fitar ba za a iya karantawa ba. Rubutun ya inganta lokacin da na fara raba shimfidar shafi zuwa yankuna (bangare) kuma na sarrafa kowane shafi daban. Darasi: a hadadden shimfidar shafi, tsari na farko, rubutu na biyu.
Samfura huɗu masu kwafi
1) Amintaccen gyaran OCR:
A ƙasa akwai albarkatun OCR na daftarin tarihi. Aikin ku shine gyara kurakuran tantancewar gani na gani KAWAI (misali rn→m,1→l, 0→O, dogon ſ→s). Dokoki: (1) Fassara ma'anar rubutu. (2) Gyara kalmomin da ba za a iya karantawa ba, bar yadda suke kuma yi alama da [?]. (3) NO ƙara, cirewa ko kammala jimloli. (4) CANJIN lambobi da kwanakin; yi alama [lamba?] idan kuna shakka.Raw OCR: [a nan]
2) Rahoton ingancin OCR:
Bincika fitowar OCR da ke ƙasa kuma samar da rahoto mai inganci: (1) Lissafin kalmomi masu yuwuwar kurakuran ganowa, (2) Alama wuraren da suka bayyana ba za a iya karantawa ba, (3) Lissafa takamaiman sunaye, kwanan wata da lambobi waɗanda ke buƙatar duba ɗan adam. KADA KA gyara; samar da jerin abubuwan dubawa kawai.Text: [nan]
3) Taimakon tantancewar ginshiƙi/tsari:
Saboda rubutun OCR da ke ƙasa ya fito ne daga shafi mai shafi biyu, za a iya ruɗewa. Sake tsara rubutun zuwa sakin layi na ma'ana AMMA kar a canza, ƙara ko share kowace kalma. Gyara oda kawai. Yi alamar odar da ba ku da tabbas da [oda?]. Rubutu: [nan]
4) Daidaita zuwa daidaitaccen harshe (na zaɓi, Layer daban):
Samar da sauƙaƙan sigar karatu a cikin rubutun yau, a cikin wani ginshiƙi na dabam, A Sama da ingantaccen rubutun tarihi a ƙasa. KADA KA canza ASALIN rubutu; Bari sauƙaƙan ya zama nau'i daban. Kawai sabunta haruffa/lafadi ba tare da ƙara ma'ana ba.Asali: [a nan]
Rauni mai ƙarfi / Ƙarfi mai ƙarfi
Rauni:
Gyara da ƙawata wannan rubutun OCR.
"Kawata" yana ba AI damar sake rubuta rubutun, gyara kuskure, da fassara abubuwan da ke ciki; karya aminci.
Mai ƙarfi:
Gyara kurakuran tantance gani KAWAI a cikin wannan danyen fitowar OCR. Kar a fassara ma'ana, ƙara/share kalmomi, bar sassa marasa karantawa tare da [?], canza lambobi da kwanan wata. Nuna kowane gyaran da kuka yi a cikin jerin daban a cikin tsarin "asali → gyara" don in tabbatar da shi. Rubutu: [nan]
Bambanci: aiki mai iyaka, haramcin ƙirƙira, alamar shubuha, da jerin gyare-gyare da za a iya ganowa suna sa fitarwar ta zama abin dubawa.
Kuskuren gama gari
- Ana dubawa a ƙananan ƙuduri. Yawancin kurakuran OCR suna haifar da mummunan hotuna; Binciken inganci shine mafi arha jari.
- Kira AI "yi kyau." Wannan yana haifar da ƙwarewa maimakon aminci; An sake rubuta takardar.
- Barin lambobi da kwanakin zuwa AI. Waɗannan ana lalata su cikin shiru lokacin da aka “gyara” daga mahallin; dole ne a tabbatar da hoto.
- Cika wurin da ba a iya karantawa tare da zato. Ya kamata a kiyaye shi ta rashin tabbas [?], ba gyara ba.
- Ba sarrafawa kwata-kwata maimakon samfur. Ko da 96% daidaito yana nufin dubban kurakurai a cikin shafuka 12,000; Ana bincika wurare masu mahimmanci.
A takaice
OCR tana buɗe rumbun adana bayanai ga masu bincike ta hanyar jujjuya buƙatun takardu na tarihi zuwa rubutu da ake nema. AI shine taimako mai ƙarfi don gyara kurakuran halaye a cikin ingantaccen fitarwa na OCR tare da mahallin; Amma dole ne ku ja layi tsakanin gyarawa da sake rubutawa. Na'urar bincike mai inganci, amintaccen koyarwar gyarawa, adana shubuha tare da [?], da tabbatar da idon mutum na suna/kwanaki/lambobi suna yin digitization duka cikin sauri da aminci. AI yana tsaftace rubutu; Kai ne majibincin amana.
Aikin aikace-aikace
Bincika daftarin tarihi da aka buga (tsohuwar jarida, wasiƙar hukuma, shafin littafi) ko ɗaukar bugu na OCR. A gyara rubutun tare da samfurin "Tabbataccen gyaran OCR" kuma a nemi gyare-gyare ta lissafin "ainihin → gyara". Sannan, cire wuraren da ke buƙatar sarrafa ɗan adam tare da "Rahoton ingancin OCR". Kwatanta kowace kwanan wata da sunan da ya dace a cikin jerin zuwa ainihin hoton; Lura nawa aka "gyara" ba daidai ba.
jerin abubuwan dubawa
- [ ] Na duba daftarin aiki tare da aƙalla 300 DPI da kyakkyawan bambanci.
- [] Na tambayi AI kawai don gyara kuskuren gani, ba sake rubutawa ba.
- [ ] Na kiyaye sassan da ba za a iya karantawa da [?].
- [ ] Na tabbatar da duk lambobi, kwanakin da sunayen da suka dace tare da hoton.
- [ ] Na yi samfurin ko cikakken bincike a wurare masu mahimmanci.