Dokumenty papierowe i zeskanowane pliki PDF przechowują tekst w pikselach, a nie znakach. Optyczne rozpoznawanie znaków (OCR) konwertuje te obrazy na tekst czytelny dla maszyn, umożliwiając wyszukiwanie, edycję i automatyczne przetwarzanie.

Wczesne systemy dopasowywały szablony do poszczególnych czcionek. Współczesne systemy wykorzystują sieci neuronowe wytrenowane na milionach obrazów tekstowych. Radzą sobie z pismem odręcznym, przekrzywionymi skanami i układami mieszanymi znacznie lepiej niż ich poprzednicy.

Typowe zastosowania OCR

• Digitalizacja archiwów historycznych
• Przetwarzanie faktur i paragonów
• Odczytywanie tablic rejestracyjnych
• Tłumaczenie znaków ze zdjęć
• Dostępność zeskanowanych dokumentów

Dokładność zależy od jakości obrazu. Rozmazane skany, nietypowe czcionki i niski kontrast pogarszają jakość wyników. Postprodukcja z wykorzystaniem modeli językowych koryguje wiele błędów, ale idealna ekstrakcja pozostaje nieosiągalna w przypadku trudnych danych wejściowych.