ஆதாயங்கள்:
- ஸ்கேன் செய்யப்பட்ட ஆவணங்களை OCR மற்றும் HTR உடன் உரையாக மாற்றுவதன் மூலமும் வெளியீட்டை உண்மையான படத்துடன் ஒப்பிடுவதன் மூலமும் சரி செய்யும் திறன்
- காப்பக ஆவணத்தின் அசல் தன்மையையும் ஒருமைப்பாட்டையும் பாதுகாக்கும் திறன் மற்றும் AI ஆனது உள்ளடக்கத்தை மாற்றுவதையும் புனையப்பட்ட மறுசீரமைப்பையும் தடுக்கிறது
- ஆதாரத் தகவல் மற்றும் நீடித்த வடிவங்களுடன் நீண்ட கால டிஜிட்டல் பாதுகாப்பைத் திட்டமிடும் திறன்
ஐம்பது வருடங்கள் பழமையான செய்தித்தாள் தொகுதிகள், கையால் எழுதப்பட்ட கடிதங்கள் அல்லது பழைய புகைப்படங்களை எதிர்காலத்தில் எடுத்துச் செல்ல ஒரு காப்பக நிபுணர் பணிக்கப்பட்டுள்ளார். இந்த ஆவணங்கள் காலப்போக்கில் தேய்ந்து போகின்றன; இரண்டையும் பாதுகாத்து அவற்றை அணுகக்கூடியதாக மாற்ற, டிஜிட்டல் மயமாக்கல் செய்யப்படுகிறது: ஒரு இயற்பியல் ஆவணத்தை ஸ்கேன் செய்து அதை டிஜிட்டல் நகலாக மாற்றும் செயல். ஆனால் திரையிடல் மட்டும் போதாது; டிஜிட்டல் பொருள் கண்டுபிடிக்கக்கூடியதாகவும், படிக்கக்கூடியதாகவும், நீண்ட காலத்திற்கு பராமரிக்கக்கூடியதாகவும் இருக்க வேண்டும். இந்த யூனிட்டில், டிஜிட்டல் மயமாக்கல், டிரான்ஸ்கிரிப்ஷன் மற்றும் டிஜிட்டல் பாதுகாப்பு பணிப்பாய்வு ஆகியவற்றில் செயற்கை நுண்ணறிவை எவ்வாறு பயன்படுத்துவது என்பதை நீங்கள் கற்றுக் கொள்வீர்கள்; ஆனால் அசல் தன்மை மற்றும் துல்லியத்திற்கு நீங்கள் ஏன் பொறுப்பேற்க வேண்டும் என்பதை நீங்கள் அறிந்து கொள்வீர்கள்.
ஒரு சில கருத்துக்கள். OCR (Optical Character Recognition) என்பது ஒரு ஆவணத்தின் படத்தில் உள்ள உரையை இயந்திரத்தால் திருத்தக்கூடிய உரையாக மாற்றும் தொழில்நுட்பமாகும். HTR (கையால் எழுதப்பட்ட உரை அங்கீகாரம்) கையால் எழுதப்பட்ட ஆவணங்களுக்கும் அதே வேலையைச் செய்கிறது மற்றும் மிகவும் கடினமாக உள்ளது. டிஜிட்டல் பாதுகாப்பு என்பது பல தசாப்தங்களாக டிஜிட்டல் பொருள்கள் படிக்கக்கூடியதாக இருப்பதை உறுதி செய்வதற்கான ஒரு திட்டமிட்ட முயற்சியாகும், கோப்பு வடிவங்கள் வழக்கற்றுப் போனாலும், மென்பொருள் மாறினாலும். AI மூன்று பகுதிகளிலும் ஒரு சக்திவாய்ந்த ஆனால் குறைபாடுள்ள உதவியாளர்.
படிப்படியாக: டிஜிட்டல் மயமாக்கல் முதல் பாதுகாப்பு வரை
1. முன்னுரிமை. எல்லாவற்றையும் ஒரே நேரத்தில் டிஜிட்டல் மயமாக்க முடியாது. மிகவும் பலவீனமான, மிகவும் கோரப்பட்ட மற்றும் மிகவும் தனித்துவமான ஆவணங்கள் முதலில் வைக்கப்படுகின்றன. இது நீதித்துறை முடிவு; பட்டியலைத் திருத்துவதற்கு AI உதவுகிறது, ஆனால் நிறுவனம் முன்னுரிமையைத் தீர்மானிக்கிறது.
2. OCR/HTR ஐ ஸ்கேன் செய்து விண்ணப்பிக்கவும். உயர் தெளிவுத்திறனில் ஆவணத்தை ஸ்கேன் செய்து, உரையைப் பிரித்தெடுக்க OCR அல்லது HTR ஐப் பயன்படுத்தவும். பழைய மற்றும் கடினமான உரைகளுடன் கூட, AI- அடிப்படையிலான கருவிகள் இங்கு சிறப்பாகவும் சிறப்பாகவும் வருகின்றன.
3. உரையை சரிசெய்து சரிபார்க்கவும். OCR/HTR வெளியீடு ஒருபோதும் சரியாக இருக்காது. பிழைகள் பொதுவானவை, குறிப்பாக பழைய எழுத்து, கறை படிந்த பக்கங்கள் அல்லது கையெழுத்துப் பிரதி இருந்தால். வெளியீட்டை உண்மையான படத்துடன் ஒப்பிட்டு அதை சரிசெய்வது அவசியம்.
4. மெட்டாடேட்டா மற்றும் பாதுகாப்புத் தகவலைச் சேர்க்கவும். டிஜிட்டல் பொருளில் அதன் ஆதாரம், ஸ்கேனிங் நிலைமைகள், வடிவமைப்புத் தகவல் மற்றும் ஆதாரம் - ஆவணம் எங்கிருந்து வந்தது மற்றும் அது எவ்வாறு செயலாக்கப்பட்டது. எதிர்கால சரிபார்ப்பு மற்றும் பாதுகாப்பிற்கு இந்தத் தகவல் முக்கியமானது.
5. நீண்ட கால பாதுகாப்பிற்கான திட்டம். திறந்த, பொதுவான மற்றும் நீடித்த கோப்பு வடிவங்களைத் தேர்ந்தெடுக்கவும்; காப்பு பிரதி; வடிவங்கள் வழக்கற்றுப் போனால் இடம்பெயர்வுத் திட்டத்தை உருவாக்கவும்.
உதவிக்குறிப்பு: OCR வெளியீட்டை "தெளிவான உரை" என்று ஏற்க வேண்டாம். இந்த உரையின் மூலம் ஒரு தேடல் அமைப்பு செயல்பட்டால், தவறாக அங்கீகரிக்கப்பட்ட வார்த்தைகள் மூலத்தைக் கண்டுபிடிக்க முடியாமல் போகும். முக்கியமான சேகரிப்புகளுக்கு, மனிதக் கண்ணுக்கு OCR வெளியீட்டை சரிசெய்வது அனைத்து அடுத்தடுத்த அணுகல்களின் தரத்தையும் தீர்மானிக்கிறது.
டிஜிட்டல் பொருளின் நம்பகத்தன்மை மற்றும் ஒருமைப்பாடு
காப்பகப் பணியின் மையத்தில் நம்பகத்தன்மையும் ஒருமைப்பாடும் உள்ளன: ஒரு ஆவணம் உண்மையிலேயே உரிமைகோரப்பட்ட மூலத்திலிருந்து வருகிறது மற்றும் அதன் உள்ளடக்கங்கள் மாற்றப்படவில்லை என்பதற்கான உத்தரவாதம். இந்த கட்டத்தில், AI இரு முனை அச்சுறுத்தலை உருவாக்குகிறது. முதலாவதாக, OCR/HTR திருத்தம் அல்லது "மேம்படுத்துதல்" போது, AI அமைதியாக உரையை மாற்றலாம்; "திருத்தம்" என்ற பெயரில் இல்லாத வார்த்தையை சேர்க்கலாம். இரண்டாவதாக, படத்தை "பழுது" அல்லது "மீட்டமைத்தல்" AI மூலம் செய்யப்பட்டால், அசல் அல்லாத விவரங்கள் உருவாக்கப்படலாம்.
காப்பகத்தின் விதி தெளிவாக உள்ளது: டிஜிட்டல் பாதுகாப்பு நகல் அசலுக்கு உண்மையாக இருக்க வேண்டும். AI உடன் செய்யப்பட்ட ஒவ்வொரு முன்னேற்றமும் ஆவணப்படுத்தப்பட வேண்டும் மற்றும் உண்மையான (மூல) ஸ்கேன் எப்போதும் பாதுகாக்கப்பட வேண்டும். ஒரு ஆவணத்தை "அழகுபடுத்துவது" அதன் வரலாற்றுச் சான்று மதிப்பை அழித்துவிடும்.
எச்சரிக்கை: AI உடன் பழைய புகைப்படம் அல்லது ஆவணத்தை "மேம்படுத்த" தூண்டலாம்; ஆனால் காணாமல் போன பகுதிகளை உருவாக்குவதன் மூலம் AI நிரப்புகிறது. ஒரு காப்பக ஆவணத்தில், இது தவறான வரலாற்று ஆதாரங்களை உருவாக்குவதாகும். மறுசீரமைப்பு வெளியீடு ஒருபோதும் அசல் மூலத்தை மாற்றாது; ஒரு தனி, தெளிவாக பெயரிடப்பட்ட மாறுபாடாக சேமிக்கப்படுகிறது.
மூன்று சிறிய வழக்குகள்
வழக்கு 1 - செய்தித்தாள் காப்பகங்கள் தேடக்கூடியதாக மாறியது. ஒரு நூலகம் தனது 30 ஆண்டு பழமையான உள்ளூர் செய்தித்தாள்களின் தொகுப்பை டிஜிட்டல் மயமாக்கியுள்ளது. OCR உடன், 90,000 பக்கங்கள் படியெடுக்கப்பட்டு தேடக்கூடியதாக மாற்றப்பட்டது; முன்பு பல நாட்கள் எடுத்த தலைப்பு தேடல் இப்போது வினாடிகளாக குறைக்கப்பட்டுள்ளது. இருப்பினும், பழைய மற்றும் கறை படிந்த பக்கங்களில் OCR துல்லியம் 80% ஆகக் குறைந்ததைக் குழு கவனித்தது மற்றும் மனிதக் கண்ணால் முதல் ஆண்டுகளை சரிசெய்வதற்கு முன்னுரிமை அளித்தது.
வழக்கு 2 - HTR கையெழுத்துப் பிரதியைத் திறந்தது. 19 ஆம் நூற்றாண்டின் கடிதங்களின் தொகுப்பில் படிக்க கடினமாக இருக்கும் ஒரு காப்பகம் HTR ஐப் பயன்படுத்தியது. வல்லுநர்கள் பல மாதங்கள் படித்ததன் படி இந்த அமைப்பு பெரும் வேகத்தைப் பெற்றது; ஆனால் மக்கள் மற்றும் இடங்களின் பெயர்களில் பிழைகள் இருந்ததால், அச்சுப்பொறியின் ஒவ்வொரு பக்கமும் ஒரு நிபுணரான பேலியோகிராஃபர் (பண்டைய எழுத்தில் நிபுணர்) மூலம் அசல் உடன் ஒப்பிடப்பட்டது.
வழக்கு 3 - போலி "மறுசீரமைப்பு" நிராகரிக்கப்பட்டது. ஒரு குழு AI உடன் கிழிந்த வரலாற்று புகைப்படத்தை "பழுது" செய்ய நினைத்தது. காணாமல் போன முக பாகங்களை பொருத்தி AI நிறைவு செய்தது. இந்த இட்டுக்கட்டப்பட்ட விவரங்கள் வரலாற்றுச் சான்றுகளைத் திரித்துவிடும் என்பதை ஆவணக் காப்பாளர் உணர்ந்தார்; பழுதுபார்க்கப்பட்ட படம் அசல் படத்துடன் தனித்தனியாக சேமிக்கப்பட்டது, தெளிவாக "AI வழித்தோன்றல்" என்று லேபிளிடப்பட்டது.
அணுகல் நகல், பாதுகாப்பு நகல் மற்றும் வடிவமைப்பு முடிவு
வெவ்வேறு நோக்கங்களுக்காக ஒரே பொருளின் நகல்களைப் பிரிப்பது டிஜிட்டல் மயமாக்கலில் ஒரு நல்ல நடைமுறையாகும். ஒரு பாதுகாப்பு மாஸ்டர் என்பது எதிர்காலத்தில் கொண்டு செல்லப்படும் உண்மையான டிஜிட்டல் பொருளாகும், இது மிக உயர்ந்த தெளிவுத்திறன், சுருக்கப்படாத அல்லது இழப்பற்ற வடிவத்தில் சேமிக்கப்படுகிறது; அது அரிதாகவே தொடப்படுகிறது. அணுகல் நகல் என்பது பயனருக்கு வழங்கப்படும் சிறிய, எளிதில் திறக்கப்பட்ட மாறுபாடாகும். இந்த வேறுபாடு முக்கியமானது, ஏனெனில் பயன்பாட்டிற்கு நடைமுறையில் இருக்கும் வடிவம் (சிறியது, சுருக்கப்பட்டது) நீண்ட கால பாதுகாப்பிற்கு ஏற்றதாக இருக்காது; பாதுகாப்பிற்கான சிறந்த வடிவம் (பெரிய, இழப்பற்றது) தினசரி பயன்பாட்டிற்கு சிக்கலானது. இந்த பணிப்பாய்வுகளில், AI ஆனது கோப்புகளை பட்டியலிடுவதற்கும், விடுபட்ட மாறுபாடுகளைக் கண்டறிவதற்கும், இரண்டு நகல்களுக்கு இடையில் மெட்டாடேட்டாவை சீராக வைத்திருப்பதற்கும் உதவும். இருப்பினும், வடிவமைப்பைத் தேர்ந்தெடுப்பது ஒரு பாதுகாப்பு முடிவாகும்: திறந்த, பரவலாக ஆவணப்படுத்தப்பட்ட மற்றும் நீடித்த வடிவங்களுக்கு முன்னுரிமை அளிக்கப்பட வேண்டும் (சொந்தமான, மூடிய வடிவங்களுக்குப் பதிலாக), மேலும் வடிவங்கள் காலப்போக்கில் வழக்கற்றுப் போனால் இடம்பெயர்வுத் திட்டம் தயாராக இருக்க வேண்டும். AI ஒரு வடிவமைப்பை பரிந்துரைத்தாலும், நிறுவனத்தின் நீண்ட கால பாதுகாப்புக் கொள்கையே இறுதி முடிவைக் கொண்டுள்ளது.
உதவிக்குறிப்பு: ஒவ்வொரு டிஜிட்டல் பொருளுக்கும், "அசல் ஆதாரம் எங்கே, பாதுகாப்பு நகல் எந்த வடிவத்தில் உள்ளது, அணுகல் நகல் எந்த வடிவத்தில் உள்ளது மற்றும் பயனருக்குக் கிடைக்கும்?" என்ற கேள்விகளுக்குப் பதிலளிக்கும் ஒரு சுருக்கமான பதிவை வைத்திருங்கள். இந்த மூன்று அடுக்குகளையும் கலப்பதால், எந்தக் கோப்பு நம்பகமான மாஸ்டர் முன்னோக்கி செல்கிறது என்பது தெளிவாகத் தெரியவில்லை.
நகலெடுக்கக்கூடிய நான்கு வார்ப்புருக்கள்
1) OCR வெளியீடு திருத்த உதவி:
கீழே OCR உரை மற்றும் உண்மையான பக்கத்தின் விளக்கம் உள்ளது. openOCR பிழைகளை மட்டும் சரிசெய்யவும் (மோசமான எழுத்துகள், கூட்டு/பிளவு வார்த்தைகள்). உள்ளடக்கத்தை மாற்றவோ, வார்த்தைகளைச் சேர்க்கவோ அல்லது அகற்றவோ வேண்டாம். உறுதியாக தெரியவில்லை என்றால், "[?]" என்று குறிக்கவும். OCR உரை: [இங்கே]
2) உரை-பட நிலைத்தன்மை சரிபார்ப்பு:
அசல் ஆவணத்தில் (உருவாக்கப்பட்டிருக்கலாம்) எதிர்பார்க்கப்படாத ஏதேனும் சேர்த்தல்கள் கீழே திருத்தப்பட்ட உரையில் உள்ளதா? சந்தேகத்திற்கிடமான ஒவ்வொரு பகுதியையும் குறிக்கவும், அது ஏன் சந்தேகத்திற்குரியது என்பதை எழுதவும். உரை: [இங்கே]
3) பாதுகாப்பு மெட்டாடேட்டா வரைவு:
பின்வரும் டிஜிட்டல் பொருளுக்கான பாதுகாப்பு மெட்டாடேட்டா அவுட்லைனை உருவாக்கவும்: ஆதாரம், ஆதாரம், ஸ்கேன் தேதி/தெளிவு, கோப்பு வடிவம், பரிவர்த்தனை வரலாறு. நான் வழங்கிய தகவலைப் பயன்படுத்தவும், விடுபட்ட புலத்தை காலியாக விடவும். தகவல்: [இங்கே]
4) முன்னுரிமை உதவி:
டிஜிட்டல் மயமாக்கலுக்காக காத்திருக்கும் சேகரிப்புகளின் பட்டியல் கீழே உள்ளது; பலவீனம், தேவை மற்றும் தனித்துவம் ஆகியவற்றின் அடிப்படையில் முன்னுரிமை அளிப்பதில் உதவுங்கள். ஒவ்வொரு வளத்திற்கும் சுருக்கமான நியாயத்தை வழங்கவும்; இறுதி முடிவை என்னிடம் விடுங்கள். பட்டியல்: [இங்கே]
பலவீனமான வரியில் / வலுவான வரியில்
பலவீனமான உடனடி:
இந்த ஸ்கேன் செய்யப்பட்ட உரையை சரிசெய்து அழகுபடுத்தவும்.
"பியூட்டிஃபை" உள்ளடக்கத்தை மாற்ற AI ஐ அழைக்கிறது, குறைபாடுகளை ஈடுசெய்கிறது; காப்பக ஆவணத்தின் அசல் தன்மை சேதமடைந்துள்ளது.
சக்திவாய்ந்த தூண்டுதல்:
உங்கள் பங்கு: டிஜிட்டல் மயமாக்கல் ஆசிரியர் உதவியாளர். பின்வரும் OCR உரையில், வெளிப்படையான அங்கீகாரப் பிழைகளை மட்டும் சரிசெய்யவும் (மோசமான எழுத்து, தவறாகப் பிரிக்கப்பட்ட சொல்). எந்த வார்த்தைகளையும் சேர்க்கவோ, நீக்கவோ அல்லது மாற்றவோ வேண்டாம். நீங்கள் உறுதியாக தெரியாத இடத்தில் "[?]" ஐ விட்டு விடுங்கள். நீங்கள் செய்த ஒவ்வொரு திருத்தத்தையும் தனித்தனி பட்டியலில் காட்டவும். உரை: [இங்கே]
சக்திவாய்ந்த ப்ராம்ட் AI ஐ பிழைகளை மட்டும் கண்டறிவதற்கு வரம்பிடுகிறது, உள்ளடக்கத்தைத் தொடுவதைத் தடுக்கிறது, மேலும் திருத்தங்களைக் கண்டறியக்கூடியதாக ஆக்குகிறது.
பணிப்பாய்வு மற்றும் ஆபத்து அட்டவணை
மேடை
AI இன் பங்களிப்பு
முக்கிய ஆபத்து
பாதுகாப்பு நடவடிக்கை
ஸ்கேன்
—
மோசமான தரம்
உயர் தீர்மானம்
OCR/HTR
உரைக்கு மாற்றவும்
அங்கீகார பிழைகள்
மனித திருத்தம்
திருத்தம்
பிழை பரிந்துரை
உள்ளடக்கத்தை மாற்றுகிறது
அசல் உடன் ஒப்பீடு
மறுசீரமைப்பு
பட வழித்தோன்றல்
பொருத்தமான விவரம்
அசல் அசல் வைத்து, அதை லேபிள்
பாதுகாப்பு
மெட்டாடேட்டா வரைவு
தோற்றம் இழப்பு
ஆதார பதிவு
பொதுவான தவறுகள்
- திருத்தம் இல்லாமல் OCR வெளியீட்டை ஏற்றுக்கொள்வது. பிழைகள் தேடலையும் அணுகலையும் சீர்குலைக்கும்.
- AI ஐ "அழகாடு" என்று அழைப்பது. இது உள்ளடக்கத்தை மாற்றுகிறது மற்றும் அசல் தன்மையை அழிக்கிறது.
- உண்மையான சான்றுகளுக்கு AI மீட்டமைப்பை மாற்றுதல். புனையப்பட்ட விவரங்கள் தவறான வரலாற்றை உருவாக்குகின்றன.
- ரா ஸ்கேன் சேமிக்கவில்லை. அசல் இல்லாமல் எந்த திருத்தத்தையும் சரிபார்க்க முடியாது.
- ஆதாரத் தகவலைத் தவிர்க்கிறது. ஆவணத்தின் நம்பகத்தன்மை கண்டுபிடிக்க முடியாததாகிறது.
சுருக்கமாக
டிஜிட்டல் காப்பகங்கள் மற்றும் டிஜிட்டல் மயமாக்கலில் AI; இது OCR/HTR டிரான்ஸ்கிரிப்ஷன், மெட்டாடேட்டா வரைவு மற்றும் முன்னுரிமையை விரைவுபடுத்தும் மதிப்புமிக்க உதவியாகும். ஆனால் காப்பகப் பணியின் சாராம்சம் நம்பகத்தன்மை மற்றும் ஒருமைப்பாடு: OCR வெளியீடு மனிதக் கண்ணால் சரிசெய்யப்பட வேண்டும், AI ஒருபோதும் உள்ளடக்கத்தை அமைதியாக மாற்றக்கூடாது, மறுசீரமைப்பு வழித்தோன்றல்கள் அசல் ஆதாரங்களை மாற்றக்கூடாது, மேலும் மூல ஸ்கேனிங் மற்றும் ஆதாரத் தகவல்கள் எப்போதும் பாதுகாக்கப்பட வேண்டும். ஆவணத்தை "மேம்படுத்தாத" ஒரு கருவியாக AI ஐப் பயன்படுத்தவும், ஆனால் அதற்கு உண்மையாக இருக்கும் போது அதை அணுகக்கூடியதாக ஆக்குகிறது.
விண்ணப்ப பணி
OCR வெளியீட்டின் சிறிய மாதிரியைப் பெறுங்கள் (உங்கள் சொந்த தயாரிப்பில் அல்லது உண்மையான ஸ்கேன் மூலம்). "OCR அவுட்புட் கரெக்ஷன் ஹெல்ப்" டெம்ப்ளேட்டுடன் அறிதல் பிழைகளை மட்டும் சரிசெய்து, பின்னர் "உரை-பட நிலைத்தன்மை சரிபார்ப்பு" டெம்ப்ளேட்டுடன் AI உள்ளடக்கத்தைச் சேர்த்திருக்கிறதா என்பதைச் சரிபார்க்கவும். பின்னர் "பாதுகாப்பு மெட்டாடேட்டா வரைவு" டெம்ப்ளேட்டைக் கொண்டு பொருளின் ஆதாரம் மற்றும் வடிவமைப்புத் தகவலுடன் ஒரு பதிவை உருவாக்கவும்.
சரிபார்ப்பு பட்டியல்
- [ ] நான் OCR/HTR வெளியீட்டை உண்மையான படத்துடன் ஒப்பிட்டு சரி செய்தேன்.
- [ ] AI உள்ளடக்கத்தைச் சேர்க்கவோ/மாற்றவோ இல்லை என்பதை நான் சோதித்தேன்.
- [ ] நான் ரா (மாஸ்டர்) ஸ்கேன் தனித்தனியாகவும் மாறாமலும் வைத்திருந்தேன்.
- மெட்டாடேட்டாவில் ஆதாரம் மற்றும் வடிவத் தகவலைச் சேர்த்துள்ளேன்.
- [ ] மறுசீரமைப்பு வகைகளை "AI வழித்தோன்றல்" என்று தெளிவாக லேபிளிட்டுள்ளேன்.