ภาพรวม
Optical Character Recognition (OCR) เปลี่ยนรูปภาพข้อความ เช่น เอกสารที่สแกน รูปภาพป้าย PDF ให้เป็นข้อความที่เครื่องอ่านและแก้ไขได้ เป็นสะพานที่ทำให้โลกที่พิมพ์และเขียนด้วยลายมือสามารถค้นหาและคำนวณได้
Optical Character Recognition เป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์
เจาะลึก
OCR แปลงพิกเซลที่ดูเหมือนตัวอักษรให้เป็นรหัสอักขระจริงที่คอมพิวเตอร์สามารถจัดเก็บและแก้ไขได้ OCR แบบคลาสสิกทำงานในขั้นตอนต่างๆ: ทำความสะอาดและลดความเอียงของรูปภาพ ค้นหาขอบเขตข้อความ แบ่งส่วนออกเป็นเส้นและสัญลักษณ์แต่ละอัน จากนั้นจำแนกแต่ละสัญลักษณ์โดยจับคู่รูปร่างกับรูปแบบที่รู้จัก OCR สมัยใหม่ส่วนใหญ่เป็นระบบประสาท: เครือข่ายแบบหมุนวนจะอ่านคุณลักษณะด้านภาพ และแบบจำลองลำดับ (มักมีการสูญเสีย CTC หรือตัวถอดรหัสตามความสนใจ) คาดการณ์สตริงทั้งหมดโดยไม่จำเป็นต้องแบ่งส่วนอักขระที่สมบูรณ์แบบ สิ่งนี้จะจัดการกับตัวอักษรที่ทับซ้อนกันและแบบอักษรที่หลากหลายได้ดีกว่ามาก เอ็นจิ้นเช่น Tesseract และบริการคลาวด์จาก Google, Amazon และ Microsoft ขณะนี้มีความแม่นยำสูงมากในการพิมพ์ที่สะอาดตา และรองรับภาษาและสคริปต์มากมาย
ข้อมูลเชิงลึกทางเทคนิค
ความก้าวหน้าครั้งสำคัญคือ Connectionist Temporal Classification (CTC) ระบบรุ่นเก่าต้องตัดคำเป็นตัวอักษรแยกกันก่อนจึงจะจดจำคำเหล่านั้นได้ ซึ่งมักเกิดข้อผิดพลาดเมื่อตัวอักษรสัมผัสหรือเปื้อน CTC ปล่อยให้เครือข่ายเกิดซ้ำหรือหม้อแปลงส่งสัญญาณความน่าจะเป็นสำหรับอักขระแต่ละตัวในแต่ละส่วนของภาพในแนวนอน จากนั้นยุบการทำซ้ำและเว้นว่างเพื่อสร้างคำสุดท้าย การดำเนินการนี้จะลบขั้นตอนการแบ่งส่วนแบบเปราะ และช่วยให้โมเดลเรียนรู้การจัดตำแหน่งระหว่างพิกเซลและอักขระโดยอัตโนมัติจากคู่ข้อความรูปภาพที่มีป้ายกำกับ
การเรียนรู้การรู้จำอักขระด้วยแสง
Optical Character Recognition (OCR) เปลี่ยนรูปภาพข้อความ เช่น เอกสารที่สแกน รูปภาพป้าย PDF ให้เป็นข้อความที่เครื่องอ่านและแก้ไขได้ เป็นสะพานที่ทำให้โลกที่พิมพ์และเขียนด้วยลายมือสามารถค้นหาและคำนวณได้ Optical Character Recognition เป็นของเวิร์กโฟลว์คอมพิวเตอร์วิทัศน์ที่ตีความหรือสร้างสื่อภาพเพื่อการวิเคราะห์ การดำเนินงาน และความคิดสร้างสรรค์ เพื่อสร้างความเข้าใจอย่างลึกซึ้ง ให้ถือว่า Optical Character Recognition เป็นรูปแบบการปฏิบัติงาน ไม่ใช่คุณลักษณะเดียว: กำหนดผลลัพธ์ที่ต้องการ ชี้แจงสมมติฐาน และแยกสิ่งที่ระบบสามารถทำได้อย่างน่าเชื่อถือจากสิ่งที่ยังต้องใช้วิจารณญาณจากผู้เชี่ยวชาญ
ในทางปฏิบัติ ทีมที่แข็งแกร่งที่ใช้ Optical Character Recognition จะรักษาสมดุลระหว่างความแม่นยำกับความเป็นจริงในการปฏิบัติงาน เช่น คุณภาพของข้อมูล ความแปรปรวนของแสง และความสม่ำเสมอของการติดฉลาก โดยจะบันทึกเกณฑ์ความสำเร็จที่ชัดเจน ทดสอบกับข้อมูลและขั้นตอนการทำงานที่สมจริง และทำซ้ำตามรูปแบบความล้มเหลวที่สังเกตได้ แทนที่จะชนะการวัดประสิทธิภาพเพียงครั้งเดียว นี่คือจุดที่ความเข้าใจทางทฤษฎีกลายเป็นความสามารถที่คงทนของผลิตภัณฑ์ นโยบาย และการดำเนินงาน
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ ในขณะเดียวกัน สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน แนวทางที่ยืดหยุ่นที่สุดคือการรวมความเร็วของการทดลองเข้ากับวินัยในการกำกับดูแล: ดำเนินการนำร่อง จับหลักฐาน เผยแพร่บันทึกการตัดสินใจ และอัปเดตการป้องกันอย่างต่อเนื่องเมื่อพฤติกรรมของโมเดล ความคาดหวังของผู้ใช้ และข้อกำหนดด้านกฎระเบียบมีการเปลี่ยนแปลง
ผลกระทบเชิงกลยุทธ์
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ
Visual AI สามารถทำให้การตรวจสอบ การตรวจจับ และการแท็กเป็นอัตโนมัติในขนาดต่างๆ ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง
ทีมสร้างสรรค์สามารถสร้างต้นแบบแนวคิดได้รวดเร็วขึ้นโดยต้องมีการแก้ไขด้วยตนเองน้อยลง ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก
การดำเนินการสามารถใช้สัญญาณภาพและวิดีโอที่ก่อนหน้านี้ประมวลผลได้ยาก ในการปรับใช้คุณภาพสูง สิ่งนี้จะถูกแปลเป็นกฎการปฏิบัติงานที่วัดผลได้ ขอบเขตความเป็นเจ้าของ และขั้นตอนการตรวจสอบที่เกิดซ้ำ เพื่อให้ทีมสามารถปรับขนาดความมั่นใจแทนที่จะปรับขนาดความคลุมเครือ
การใช้งานจริงในโลกแห่งความเป็นจริง
แอปธนาคารบนมือถือที่อ่านช่องบัญชีเช็คกระดาษ เส้นทาง และจำนวนเงิน เพื่อให้ผู้ใช้สามารถฝากเงินด้วยรูปถ่าย
Google Lens และ Apple Live Text ให้คุณคัดลอกข้อความจากรูปภาพหรือแปลเมนูภาษาต่างประเทศแบบเรียลไทม์
การแปลงหนังสือพิมพ์ประวัติศาสตร์และคลังข้อมูลห้องสมุดให้เป็นดิจิทัล เพื่อให้ข้อความฉบับเต็มสามารถค้นหาด้วยคำหลักได้
การประมวลผลใบแจ้งหนี้และใบเสร็จรับเงินอัตโนมัติในซอฟต์แวร์การบัญชีที่แยกผู้ขาย วันที่ และผลรวม
รูปแบบการดำเนินงาน
การรู้จำอักขระด้วยแสงในทางปฏิบัติ
แอปธนาคารบนมือถือที่อ่านช่องบัญชีเช็คกระดาษ เส้นทาง และจำนวนเงิน เพื่อให้ผู้ใช้สามารถฝากเงินด้วยรูปถ่าย
แอปธนาคารบนมือถือที่อ่านช่องบัญชี การกำหนดเส้นทาง และจำนวนเงินของเช็คกระดาษ เพื่อให้ผู้ใช้สามารถฝากเงินด้วยรูปถ่าย ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การรู้จำอักขระด้วยแสงในทางปฏิบัติ
Google Lens และ Apple Live Text ช่วยให้คุณคัดลอกข้อความจากรูปภาพหรือแปลเมนูภาษาต่างประเทศแบบเรียลไทม์
Google Lens และ Apple Live Text ช่วยให้คุณสามารถคัดลอกข้อความจากภาพถ่ายหรือแปลเมนูภาษาต่างประเทศได้แบบเรียลไทม์ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการทำงานที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การรู้จำอักขระด้วยแสงในทางปฏิบัติ
การแปลงหนังสือพิมพ์ประวัติศาสตร์และคลังข้อมูลห้องสมุดให้เป็นดิจิทัล เพื่อให้ข้อความฉบับเต็มสามารถค้นหาด้วยคำหลักได้
การแปลงหนังสือพิมพ์ในอดีตและคลังข้อมูลห้องสมุดให้เป็นดิจิทัล เพื่อให้ข้อความฉบับเต็มกลายเป็นคำสำคัญที่ค้นหาได้ ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อกำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งประสิทธิภาพการผลิตที่เพิ่มขึ้นและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
การรู้จำอักขระด้วยแสงในทางปฏิบัติ
การประมวลผลใบแจ้งหนี้และใบเสร็จรับเงินอัตโนมัติในซอฟต์แวร์การบัญชีที่แยกผู้ขาย วันที่ และผลรวม
การประมวลผลใบแจ้งหนี้และใบเสร็จรับเงินอัตโนมัติในซอฟต์แวร์บัญชีที่แยกผู้ขาย วันที่ และยอดรวม ทีมมักจะได้รับผลลัพธ์ที่ดีกว่าเมื่อพวกเขากำหนดเกณฑ์คุณภาพล่วงหน้า รักษาเส้นทางการยกระดับโดยมนุษย์สำหรับกรณี Edge และติดตามทั้งการเพิ่มผลผลิตและต้นทุนข้อผิดพลาดเมื่อเวลาผ่านไป
ความเสี่ยงและรั้ว
สิทธิ์และความยินยอมในรูปภาพอาจกลายเป็นความเสี่ยงทางกฎหมายได้หากแหล่งที่มาไม่ชัดเจน
ประสิทธิภาพของโมเดลอาจแตกต่างกันไปตามสภาพแสง ข้อมูลประชากร และสภาพแวดล้อม
ผลบวกลวงอาจไม่สังเกตเห็นเว้นแต่จะมีการตรวจสอบเกณฑ์ความเชื่อมั่น
แผนงานการดำเนินงาน
กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด
กำหนดเกณฑ์การยอมรับสำหรับความแม่นยำ การเรียกคืน และต้นทุนข้อผิดพลาด ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง
ทดสอบด้วยข้อมูลที่ตรงกับเงื่อนไขการผลิตจริง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง
เพิ่มการตรวจสอบโดยเจ้าหน้าที่สำหรับการคาดการณ์ที่มีความมั่นใจต่ำหรือมีผลกระทบสูง ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น
ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล
ติดตามการเคลื่อนตัวของโมเดลและตรวจสอบความถูกต้องอีกครั้งหลังจากการเปลี่ยนแปลงกล้องหรือชุดข้อมูล ถือว่าแต่ละขั้นตอนเป็นเหมือนประตูหลักฐาน: หากไม่ตรงตามเกณฑ์ ให้หยุดการเปิดตัวชั่วคราว ปิดช่องว่าง จากนั้นจึงขยายการใช้งานเท่านั้น