Akta ze skanów da się przeszukać. Bez chmury i bez przepisywania.

Co robi

Wskazujesz folder z aktami, a skill czyta każdy PDF, także taki, który jest samym obrazem strony. Na wyjściu dostajesz trzy rzeczy, zapisane obok folderu akt. Oryginałów nie rusza.

• Tekst każdego dokumentu z numerami stron. Zwykły plik tekstowy, który otworzy każdy program.
• Wyszukiwarkę. Wpisujesz frazę, dostajesz plik, stronę i fragment. Wielkość liter i polskie znaki nie mają znaczenia, a odmiana jest obsłużona z grubsza: „biegłej” znajdzie też „biegła” i „biegłego”.
• Raport. O nim za chwilę, bo tam jest najciekawsza część.

Raport, czyli czego w aktach nie widać

Raport mówi, których stron nie dało się odczytać. Strona ma obraz, ale OCR nic z niego nie wyciągnął, więc trzeba ją przeczytać w oryginale. Lepiej wiedzieć o tym dziś niż po terminie.

Wskazuje też duplikaty: ten sam plik przysłany dwa razy. Drobiazg, ale akta od klienta zbiera się z maila, pendrive’a i portalu, więc kopii jest zwykle więcej, niż się wydaje.

Najważniejsze są pliki o identycznej treści pod różnymi nazwami. Bywa, że to zwykła kopia. Bywa też, że plik nazywa się jak jedno pismo, w środku ma inne, a pisma z nazwy w aktach po prostu nie ma.

Tego nie wyłapie ani spis plików, ani wyszukiwarka systemu, bo obie wierzą nazwom. Żeby zauważyć, że dwa dokumenty są identyczne słowo w słowo, trzeba najpierw mieć ich tekst.

Dlaczego na komputerze, a nie w chmurze

Akta są objęte tajemnicą, więc skill nigdzie ich nie wysyła. OCR działa na procesorze zwykłego laptopa, bez karty graficznej, konta i klucza API. Na ekran trafiają wyłącznie liczby.

Jedyne połączenie z internetem to pierwsze pobranie modelu języka do OCR. Kancelaria, która pracuje offline, pobiera go raz i wskazuje katalog. Potem sieć nie jest potrzebna.

Jak dobrze czyta

Mierzyliśmy na publicznych orzeczeniach zamienionych w skany. Na czystym skanie 300 dpi da się znaleźć 98,8% słów polskiego wyroku, a na skanie celowo pogorszonym, krzywym i zaszumionym, 85,4%.

Język ma znaczenie. Skill czyta po polsku, angielsku i portugalsku, każdy język swoim modelem. Angielski model na portugalskim skanie odczytał tylko 39 z 272 liter z akcentem, czyli czytał jak turysta menu w Lizbonie.

Tempo to około 2 sekund na stronę. Tysiąc stron zajmuje mniej więcej pół godziny: jedna kawa i jeden telefon od klienta. Przerwany przebieg można wznowić, a gotowe dokumenty są pomijane.

Czego nie robi

Tekst z OCR służy do wyszukiwania, nie do cytowania, więc fragment do pisma trzeba porównać z oryginałem. Skill nie poprawia treści, z jednym wyjątkiem: w polskich aktach zamienia „$” odczytane w miejscu „§” i liczy te zamiany w raporcie.

Nie dzieli akt na pisma i nie streszcza ich. Czyta tylko PDF, więc pisma w Wordzie trzeba najpierw zapisać jako PDF. Na komputerach z włączonym Smart App Control Windows może zablokować bibliotekę OCR.

Wersja angielska i portugalska są w anglojęzycznym i portugalskojęzycznym Boutique. Interpretacje w tym materiale są stanowiskiem MateMatic i nie zastępują porady prawnej.