Les documents papier et les PDF numérisés stockent le texte sous forme de pixels, et non de caractères. La reconnaissance optique de caractères (OCR) convertit ces images en texte lisible par machine, permettant ainsi la recherche, l'édition et le traitement automatisé.

Les premiers systèmes utilisaient des modèles pour chaque police. Les systèmes modernes utilisent des réseaux neuronaux entraînés sur des millions d'images de texte. Ils gèrent bien mieux l'écriture manuscrite, les numérisations déformées et les mises en page mixtes que leurs prédécesseurs.

Applications OCR courantes

• Numérisation des archives historiques
• Traitement des factures et des reçus
• Lecture des plaques d'immatriculation
• Traduire des panneaux à partir de photos
• Accessibilité des documents numérisés

La précision dépend de la qualité de l'image. Les numérisations floues, les polices de caractères inhabituelles et un faible contraste dégradent les résultats. Le post-traitement avec des modèles de langage corrige de nombreuses erreurs, mais une extraction parfaite reste difficile à obtenir pour les entrées complexes.