OCR – khi bản scan từ hình ảnh trở thành dữ liệu có thể tìm kiếm

Một trang scan có chữ nhưng chưa chắc máy tính đã đọc được chữ

Khi một hợp đồng được đặt vào máy scan, thiết bị thu nhận hình ảnh của trang giấy. Con người nhìn file PDF trên màn hình vẫn thấy rõ tên công ty, ngày ký, số hợp đồng và toàn bộ nội dung. Nhưng với máy tính, trang ấy có thể vẫn chỉ là tập hợp hàng triệu pixel sáng tối và màu sắc.

Có thể thử bằng một thao tác rất đơn giản: mở một PDF được tạo từ hình ảnh rồi tìm kiếm một từ đang nhìn thấy rõ trên trang. Nếu file không có lớp văn bản, công cụ tìm kiếm có thể không tìm thấy gì. Người đọc thấy chữ nhưng hệ thống chưa nhận biết chữ đó như dữ liệu.

OCR – viết tắt của Optical Character Recognition, nhận dạng ký tự quang học – bổ sung lớp còn thiếu này. Phần mềm phân tích hình ảnh, nhận diện những vùng có chữ, xác định ký tự, từ và cấu trúc văn bản rồi chuyển kết quả thành dữ liệu mà máy tính có thể xử lý.

Sau OCR, hình ảnh của trang giấy không nhất thiết phải thay đổi. Một PDF có thể vẫn trông gần như bản scan ban đầu nhưng bên dưới hình ảnh đã có thêm lớp văn bản. Người dùng có thể tìm một cái tên, chọn và sao chép một đoạn chữ hoặc để hệ thống lập chỉ mục toàn bộ nội dung. Đây chính là cách một PDF chỉ chứa ảnh có thể trở thành searchable PDF – PDF có khả năng tìm kiếm văn bản.

Sự thay đổi tưởng nhỏ nhưng rất quan trọng khi số lượng tài liệu tăng lên. Với mười trang, con người có thể đọc bằng mắt. Với mười nghìn hay một triệu trang, cách khai thác phải khác.

Nếu một trường học đã số hóa hàng chục năm kỷ yếu, OCR có thể hỗ trợ tìm tên một giáo viên hoặc học sinh trong những tài liệu chữ in phù hợp. Một doanh nghiệp có kho hợp đồng lớn có thể tìm tên khách hàng, mã hàng hay cụm từ trong nội dung thay vì mở từng hồ sơ. Một thư viện có hàng nghìn tài liệu số có thể cung cấp khả năng tìm kiếm sâu hơn vào nội dung thay vì chỉ tìm theo tên sách.

Đây là bước mà bản scan bắt đầu chuyển từ hình ảnh để con người đọc thành dữ liệu mà hệ thống cũng có thể tham gia khai thác.

OCR tốt hay không phụ thuộc rất nhiều vào bản scan đầu vào

OCR ngày nay đã tiến rất xa, có thể nhận dạng nhiều ngôn ngữ, nhiều dạng tài liệu và cả những bố cục khá phức tạp. Tiếng Việt cũng được các hệ thống OCR thương mại hỗ trợ. Nhưng không nên hiểu rằng cứ đưa một trang giấy vào phần mềm là toàn bộ chữ sẽ được nhận dạng chính xác.

Chất lượng bản scan vẫn là một trong những yếu tố quan trọng. Một trang thẳng, chữ rõ, độ phân giải phù hợp và tương phản tốt tạo điều kiện thuận lợi hơn nhiều so với trang bị nghiêng, mất nét, bóng gáy, nền giấy ố hoặc chữ quá nhỏ. Đây cũng là lý do những quyết định về DPI, màu sắc và chất lượng thu nhận ở các bước trước không tách rời OCR.

Loại tài liệu cũng tạo ra khác biệt lớn. Văn bản đánh máy hiện đại với phông chữ rõ thường thuận lợi hơn bản in cũ, báo có nhiều cột, bảng biểu phức tạp hay tài liệu đã xuống cấp. Chữ viết tay lại là một bài toán khác so với chữ in. Với tài liệu lịch sử sử dụng kiểu chữ hoặc hệ chữ đặc biệt, việc nhận dạng còn có thể đòi hỏi công nghệ và dữ liệu chuyên biệt hơn.

Ngôn ngữ cũng phải được xác định đúng. Một phần mềm được cấu hình nhận dạng tiếng Việt sẽ có cơ sở tốt hơn để xử lý dấu và cấu trúc từ tiếng Việt so với khi hệ thống được đặt sai ngôn ngữ. Với tài liệu chứa nhiều ngôn ngữ, yêu cầu nhận dạng tiếp tục phức tạp hơn.

Bố cục trang cũng quan trọng không kém. Một văn bản chỉ có một cột chữ tương đối đơn giản; nhưng báo chí có thể gồm nhiều cột, ảnh, tiêu đề, chú thích và bảng. Trước khi nhận dạng ký tự, hệ thống còn phải hiểu khu vực nào là chữ, đâu là hình ảnh, đâu là bảng và thứ tự đọc của các vùng nội dung. Các hệ thống OCR vì thế thường phân tích cấu trúc trang trước hoặc trong quá trình nhận dạng.

Nhìn từ đây có thể thấy mối quan hệ rất rõ: scanner tạo đầu vào cho OCR. Một bản scan tốt không bảo đảm OCR chính xác tuyệt đối, nhưng một bản scan kém có thể làm giảm khả năng nhận dạng ngay từ đầu.

OCR không biến bản scan thành một bản chép tuyệt đối chính xác

Một trong những điều quan trọng nhất khi sử dụng OCR là hiểu rằng kết quả nhận dạng vẫn có thể sai.

Một chữ “O” có thể bị đọc thành số “0”. Chữ “l” có thể bị nhầm với số “1”. Dấu tiếng Việt có thể bị nhận sai nếu bản gốc mờ. Một bảng số liệu chỉ cần sai một chữ số đã có thể làm thay đổi ý nghĩa. Với tên riêng, mã sản phẩm, số hợp đồng, số tiền hay những thông tin cần độ chính xác cao, một lỗi rất nhỏ cũng có thể trở thành vấn đề lớn.

Vì vậy, mức độ kiểm tra OCR phải phụ thuộc vào mục đích sử dụng.

Nếu OCR chỉ được dùng để hỗ trợ tìm kiếm một kho báo cũ, một tỷ lệ lỗi nhất định có thể vẫn chấp nhận được vì hình ảnh trang gốc còn đó để người đọc đối chiếu. Nhưng nếu văn bản nhận dạng được dùng để nhập dữ liệu kế toán, tái xuất bản, nghiên cứu định lượng hoặc làm căn cứ cho một quy trình nghiệp vụ, yêu cầu kiểm tra sẽ cao hơn nhiều.

Các hệ thống OCR chuyên nghiệp cũng cho phép người vận hành kiểm tra văn bản nhận dạng bên cạnh hình ảnh gốc và sửa những trường hợp cần thiết. Với những tài liệu được tái sử dụng nội dung, bước xác minh kết quả là một phần quan trọng của quy trình chứ không nên mặc định rằng phần mềm luôn đọc đúng.

Điều này đặc biệt đáng lưu ý trong thời đại AI. Các mô hình hiện đại có thể hỗ trợ nhận dạng và hiểu tài liệu ngày càng tốt, nhưng nguyên tắc về nguồn vẫn không thay đổi: hình ảnh bản gốc là bằng chứng về những gì thực sự có trên trang; văn bản OCR là kết quả máy nhận dạng từ hình ảnh đó.

Hai lớp này không nên bị đánh đồng.

Giữ hình ảnh trang gốc bên cạnh lớp OCR vì thế là một cách tiếp cận rất có giá trị. Người dùng được hưởng khả năng tìm kiếm của dữ liệu văn bản nhưng vẫn có thể quay lại hình ảnh để kiểm chứng khi cần.

Giá trị lớn nhất của OCR xuất hiện khi hàng nghìn tài liệu có thể được tìm cùng lúc

Nếu chỉ nhìn OCR như một công cụ chuyển PDF thành Word, chúng ta mới thấy một phần nhỏ giá trị của công nghệ này.

Giá trị lớn hơn xuất hiện khi OCR được áp dụng cho cả một kho tư liệu.

Hãy hình dung một doanh nghiệp đã hoạt động 30 năm và có hàng chục nghìn hồ sơ giấy. Nếu chỉ scan, doanh nghiệp đã giải quyết được vấn đề tạo bản số. Nhưng muốn tìm một tên khách hàng nằm trong nội dung của hàng nghìn tài liệu, con người vẫn phải dựa nhiều vào cách đặt tên file và thư mục.

Khi kho tài liệu được OCR và lập chỉ mục toàn văn, một lớp khả năng mới xuất hiện. Người dùng có thể tìm một tên riêng, địa chỉ, mã thiết bị hay cụm từ và hệ thống xác định những tài liệu có chứa nội dung tương ứng. Searchable PDF và các hệ thống quản lý tài liệu có thể sử dụng lớp văn bản này để tìm kiếm mà vẫn giữ hình ảnh trang gốc cho người đọc.

Với thư viện, OCR giúp nội dung của sách và báo cũ có thêm khả năng được khám phá. Với trường học, những kỷ yếu và tài liệu nhiều năm có thể trở nên dễ tra cứu hơn. Với doanh nghiệp, kho hồ sơ có thể chuyển từ nơi “cất file” thành nguồn thông tin phục vụ công việc. Với một bộ sưu tập lịch sử, OCR có thể tạo thêm con đường để nhà nghiên cứu tìm thấy những từ, tên người và địa danh nằm sâu trong hàng nghìn trang tư liệu.

Đến đây, chúng ta cũng bắt đầu nhìn thấy một tầng phát triển tiếp theo của số hóa.

Scan biến giấy thành hình ảnh. OCR biến hình ảnh của chữ thành dữ liệu văn bản. Metadata cho biết tài liệu đó là gì. Hệ thống tìm kiếm và cơ sở dữ liệu giúp kết nối những lớp thông tin ấy với nhau.

Và khi dữ liệu đã được tổ chức đủ tốt, những công nghệ mới như trí tuệ nhân tạo có thể tiếp tục hỗ trợ phân loại, trích xuất thông tin, tóm tắt hoặc phát hiện mối liên hệ trong những kho tài liệu lớn. Nhưng tất cả vẫn dựa trên chất lượng của những lớp dữ liệu được tạo ra trước đó.

Đó là lý do OCR giữ một vị trí đặc biệt trong hành trình số hóa. Nó không thay thế scanner và cũng không phải điểm kết thúc. Nó đứng ở giữa hai thế giới: phía trước là hình ảnh của tài liệu vật lý, phía sau là dữ liệu có thể tìm kiếm và xử lý bằng máy tính.

Một trang giấy được scan tốt giúp chúng ta giữ lại hình ảnh của nó. Khi được OCR phù hợp, trang giấy ấy có thêm khả năng được tìm thấy giữa hàng triệu trang khác.

Và trong một thời đại mà lượng dữ liệu ngày càng lớn, khả năng tìm lại được thông tin mình đã lưu đôi khi quan trọng không kém việc lưu được thông tin đó ngay từ đầu.