Các tài liệu giấy và file PDF được quét lưu trữ văn bản dưới dạng pixel, chứ không phải ký tự. Công nghệ nhận dạng ký tự quang học (OCR) chuyển đổi những hình ảnh đó thành văn bản mà máy tính có thể đọc được, mở khóa khả năng tìm kiếm, chỉnh sửa và xử lý tự động.

Các hệ thống đời đầu sử dụng mẫu để khớp với từng phông chữ riêng lẻ. Các hệ thống hiện đại sử dụng mạng nơ-ron được huấn luyện trên hàng triệu hình ảnh văn bản. Chúng xử lý chữ viết tay, bản quét bị lệch và bố cục hỗn hợp tốt hơn nhiều so với các hệ thống tiền nhiệm.

Các ứng dụng OCR phổ biến

• Số hóa các tài liệu lưu trữ lịch sử
• Xử lý hóa đơn và biên lai
• Đọc biển số xe
• Dịch các biển báo từ ảnh
• Khả năng truy cập đối với tài liệu đã quét

Độ chính xác phụ thuộc vào chất lượng hình ảnh. Ảnh quét mờ, phông chữ bất thường và độ tương phản thấp đều làm giảm chất lượng kết quả. Xử lý hậu kỳ bằng mô hình ngôn ngữ giúp sửa chữa nhiều lỗi, nhưng việc trích xuất hoàn hảo vẫn còn khó khăn đối với các dữ liệu đầu vào phức tạp.