概述
它可以為一切提供支持,從用手機存入支票到數位化數百年歷史的手稿。
深入探討
手寫辨識分為兩種類型。離線(或光學)識別是透過靜態影像進行的,例如掃描的信件,其中人工智慧只能看到完成的墨水。線上辨識會捕捉在手寫筆或觸控螢幕上發生的書寫,因此模型也知道筆劃順序、速度和筆壓,這使得它更加準確。現代系統使用神經網絡,通常是 CNN 來讀取形狀,加上循環層或變換層來對序列進行建模。一個關鍵技巧是連接主義時間分類(CTC),它允許網路輸出文本,而不需要預先分割每個字母。草書是最難的,因為字母會模糊在一起,因此模型會學習整個單字並使用語言上下文來消除歧義循環。
現實世界的實施
銀行應用程式讀取支票照片上的手寫金額以進行行動存款。
USPS 等郵政服務透過讀取手寫的郵遞區號和地址來自動分類郵件。
Apple Notes、OneNote 和 GoodNotes 等筆記應用程式可將手寫筆塗鴉轉換為可搜尋的鍵入文字。
Transkribus 等項目將歷史手稿和人口普查記錄數位化為可搜尋的檔案。
人工智慧手寫辨識的未來
預計設備上的識別會更嚴格,因此筆記會立即轉換為文本,而無需將墨跡發送到雲端,從而提高隱私性和速度。在許多腳本上訓練的 Transformer 模型將更好地處理程式碼切換和罕見語言。歷史學家正在擴展 Transkribus 等手寫文字辨識平台,以將曾經被認為不可讀的檔案數位化。多模式模型可以讀取凌亂的筆跡以及圖表和數學,這將使掃描的筆記本完全可搜尋。
付諸實踐
為什麼這很重要
- 配裝選擇. 應用級設計決定了人工智慧是否能改善實際結果。
- 團隊與工作流程. 良好的工作流程整合可以創造使用者值得信賴的生產力效益。
- 風險與安全. 範圍明確的用例可以減少變更疲勞和實施風險。
留意
- 將損壞的流程自動化可能會加劇現有問題。
- 團隊可能會過度自動化並消除所需的人工判斷。
- 如果不持續評估輸出,品質可能會出現偏差。
後續步驟
- 繪製目前工作流程並確定摩擦最大的步驟。
- 在完全自動化之前定義人工檢查點。
- 對使用者進行提示、升級路徑和品質標準的訓練。
- 追蹤任務級結果以確認持續價值。
不斷探索
常見問題
什麼是AI手寫辨識?
手寫辨識使用人工智慧將筆劃或掃描墨跡轉換為數位文字。它可以為一切提供支持,從用手機存入支票到數位化數百年歷史的手稿。
線上手寫辨識和離線手寫辨識的主要區別是什麼?
線上辨識即時記錄筆的運動、速度和筆畫順序,而離線辨識只有墨水的完成影像進行分析。
為什麼辨識草書對於人工智慧來說特別困難?
在草書中,字母彼此流動,沒有明顯的間隙,因此人工智慧無法輕鬆分割單個字符,並且必須根據上下文將單字作為一個整體來閱讀。
連結主義時間分類 (CTC) 允許手寫模型做什麼?
CTC 允許網路將可變長度的視覺特徵序列映射到文本,而不需要精確的每個字元邊界、折疊重複和空白符號。
当自动化设备无法读取地址时,USPS 如何处理某些邮件?
USPS 解釋說,無法讀取的地址圖像可以發送到遠端編碼中心,工作人員在該中心輸入地址資料並將其返回處理設備進行條碼列印。
在典型的手寫辨識流程中,語言模型扮演什麼角色?
在視覺網路提出原始字元後,語言模型使用單字和上下文機率來糾正不明確的猜測,例如將“tne”變成“the”。