ما هو OCR؟ وكيف يقرأ المستندات العربية

تقنية OCR في جملة واحدة

تقنية OCR، أي التعرف الضوئي على الحروف، تجد الحروف والأرقام في الصورة وتحولها إلى نص يمكن للكمبيوتر البحث فيه أو نسخه أو وضعه في جدول.

النص ليس هو البيانات

نسخ فقرة أمر سهل، لكن مستندات الأعمال أصعب لأن المهم فيها هو البنية: أي صنف يخص أي سعر، وأي رقم هو إجمالي الفاتورة، وأي سطر ينتمي إلى أي عمود. والـ OCR الجيد للشركات يعطيك صفوفاً وخانات، وليس كتلة نص طويلة.

لماذا العربية أصعب

• النص يُكتب من اليمين إلى اليسار، بينما الأرقام والكلمات الإنجليزية داخله تُكتب من اليسار إلى اليمين.
• الحروف متصلة ويتغير شكلها، والنقطة الناقصة تغير الكلمة.
• المستندات تخلط بين الأرقام العربية (١٢٣) والأرقام الغربية (123).
• كثير من قوائم الطعام والنماذج ثنائية اللغة، فيها الصنف نفسه بالعربية والإنجليزية.

ما الذي يجعل النتيجة صالحة للاستخدام

• صورة واضحة: مأخوذة من الأمام، في إضاءة جيدة، والصفحة كاملة داخل الإطار.
• تنبيه بدلاً من التخمين: أي شيء لا يتأكد منه النظام يُعلَّم ليراجعه شخص.
• يراجع شخص البنود المعلَّم عليها قبل استخدام البيانات.
• المخرجات المناسبة: ملف Excel أو CSV أو ربط مباشر بالنظام الذي يحتاج البيانات.