OCR steht für Optical Character Recognition und bezeichnet das maschinelle Auslesen von Text aus Bildern und Scans. Aus einem Foto einer Rechnung wird damit Text, mit dem eine Software weiterarbeiten kann.
- OCR (Texterkennung)
Das maschinelle Auslesen von Text aus Bildern und Scans.
Beispiel: „Die OCR las 400 alte Rechnungen aus, und nur bei den handschriftlichen Beträgen half sie nicht.“Das Verfahren ist älter als die heutige KI-Welle und war lange eine Sache fester Regeln und Zeichenvergleiche. Heute erledigen es Modelle, die Bild und Sprache zugleich verstehen, siehe Multimodalität.
Was dadurch besser wurde: Handschrift, schiefe Aufnahmen, mehrspaltige Seiten, Tabellen und Formulare. Was ein reiner Zeichenvergleich nicht konnte, erledigt ein Modell heute mit Zusammenhangswissen.
Der neue Haken
Ein Modell, das Zusammenhänge versteht, kann auch ergänzen, was es erwartet. Wo ältere Verfahren ein unlesbares Zeichen als unlesbar meldeten, liefert ein Sprachmodell eine plausible Zahl, siehe Halluzination. Bei Beträgen, Nummern und Daten ist das die gefährlichere Fehlerart, weil sie nicht als Fehler aussieht. Deshalb gehört zu jeder Auswertung eine Prüfung der Summen gegen eine zweite Quelle.
Wofür wir es brauchen
Für die Übernahme alter Inhalte in ein neues System: eingescannte Broschüren, PDF-Kataloge ohne Textebene, Preislisten aus Bildern, Aushänge. Dazu für die Barrierefreiheit, weil Text in einem Bild von Vorleseprogrammen nicht erfasst wird; was in einem Bild steht, gehört in den Alternativtext oder besser gleich in echten Text auf der Seite.
Was bei der Auswahl zählt
Die Sprache, das Format und der Ort der Verarbeitung. Deutsche Umlaute und Ligaturen sind bei guten Werkzeugen kein Problem mehr, alte Frakturschrift schon. Für Rechnungen und Verträge ist die Verarbeitung im eigenen Haus oder in Europa die naheliegende Wahl, weil darin fast immer personenbezogene Daten stehen. Bei größeren Mengen zählt zusätzlich der Preis je Seite, und der unterscheidet sich zwischen den Anbietern um ein Vielfaches. Für einmalige Übernahmen lohnt daher ein Probelauf mit zwanzig Seiten, bevor tausend beauftragt werden.