Scan có phải là số hóa? Từ một bản quét đến một tài liệu số thực sự

, , và tiếp tục như vậy, vài tháng sau một nhân viên cần tìm hợp đồng của một khách hàng cụ thể sẽ gặp vấn đề. Người đó có thể phải mở rất nhiều file để xem bên trong có gì.

Máy tính đang giữ hình ảnh của tài liệu, nhưng chưa có đủ thông tin để hiểu cách con người muốn tìm và sử dụng chúng.

Công nghệ nhận dạng ký tự quang học, thường được gọi là OCR, giúp giải quyết một phần vấn đề này. OCR phân tích hình ảnh của chữ trên trang scan và chuyển chúng thành dữ liệu văn bản mà máy tính có thể nhận biết. Khi đó, một file PDF vốn chỉ chứa hình ảnh có thể có thêm lớp văn bản để người dùng tìm kiếm, sao chép hoặc xử lý bằng các hệ thống khác.

Sự khác biệt rất dễ nhận thấy. Với PDF chỉ chứa ảnh, người dùng nhìn thấy chữ “Nguyễn Văn A” trên màn hình nhưng công cụ tìm kiếm chưa chắc biết chuỗi ký tự ấy tồn tại. Sau khi OCR phù hợp, việc tìm “Nguyễn Văn A” có thể dẫn đến đúng trang chứa tên đó.

Tuy nhiên, OCR cũng không đồng nghĩa với việc máy tính đã hiểu hoàn toàn tài liệu. Chất lượng nhận dạng phụ thuộc vào nhiều yếu tố: độ rõ của bản gốc, kiểu chữ, ngôn ngữ, chất lượng bản scan, bố cục trang và khả năng của phần mềm. Tài liệu đánh máy hiện đại thường dễ nhận dạng hơn chữ viết tay; một trang sạch dễ xử lý hơn giấy bị ố, mờ hoặc mất nét; những hệ chữ cổ lại đặt ra những bài toán phức tạp hơn.

Vì vậy, OCR nên được hiểu là một lớp xử lý giúp nội dung bên trong hình ảnh trở nên có khả năng tìm kiếm và khai thác bằng máy tính, chứ không phải phép biến đổi khiến mọi tài liệu lập tức trở thành dữ liệu hoàn hảo.

Và ngay cả khi toàn bộ chữ đã được nhận dạng chính xác, vẫn còn một câu hỏi khác: file đó thực sự là gì?

Một tài liệu số cần cả nội dung lẫn thông tin về chính nó

Giả sử chúng ta có một bức ảnh gia đình được scan rất đẹp. Hình ảnh rõ, độ phân giải cao và file được lưu an toàn. Nhưng file chỉ có tên .

Hai mươi năm sau, người mở file vẫn nhìn thấy năm người đứng trước một căn nhà. Nhưng họ là ai? Ảnh được chụp năm nào? Ở đâu? Nhân dịp gì? Bản gốc do ai giữ?

Những thông tin đó không nhất thiết nằm trong chính bức ảnh. Chúng cần được ghi lại bên cạnh dữ liệu hình ảnh. Trong quản lý thông tin, lớp dữ liệu mô tả này thường được gọi là metadata – dữ liệu về dữ liệu.

Metadata có thể rất đơn giản hoặc rất chi tiết tùy mục đích. Với một gia đình, đôi khi chỉ cần tên người, thời gian, địa điểm và một dòng mô tả. Với thư viện hay kho lưu trữ chuyên nghiệp, hệ thống mô tả có thể bao gồm nhiều trường thông tin theo những tiêu chuẩn cụ thể.

Điều quan trọng không nằm ở việc sử dụng thuật ngữ phức tạp mà ở nguyên tắc: một file sẽ hữu ích hơn rất nhiều khi con người biết nó là gì và nó liên quan đến điều gì.

Điều này đặc biệt quan trọng khi số lượng tài liệu tăng lên.

Mười bức ảnh có thể được nhớ bằng mắt. Một nghìn bức ảnh thì khó hơn. Một doanh nghiệp có vài chục hợp đồng có thể quản lý bằng thư mục; nhưng khi số hồ sơ lên hàng chục nghìn, việc tổ chức dữ liệu trở thành một phần không thể thiếu.

Tên tài liệu, loại hồ sơ, ngày tháng, người tạo, đơn vị liên quan, chủ đề, thời hạn lưu giữ hay vị trí bản gốc đều có thể trở thành những điểm giúp hệ thống tìm đúng thứ người dùng cần.

Đến đây, chúng ta có thể thấy một tài liệu đi từ giấy vào môi trường số qua nhiều lớp: hình ảnh được thu nhận → nội dung có thể được nhận dạng → tài liệu được mô tả → dữ liệu được tổ chức để có thể tìm kiếm và quản lý.

Scan nằm ở bước đầu tiên, nhưng chất lượng của bước đầu lại ảnh hưởng đến nhiều bước phía sau.

Scan tốt ngay từ đầu giúp tránh phải quay lại bản gốc nhiều lần

Một suy nghĩ khá phổ biến là có thể scan nhanh trước rồi sau này xử lý lại. Với tài liệu thông thường, điều này đôi khi không gây vấn đề lớn. Nhưng với một dự án có hàng chục nghìn trang hoặc những tư liệu quý hiếm, chất lượng đầu vào thấp có thể tạo ra chi phí rất lớn về sau.

Nếu trang scan bị mất mép, không phần mềm nào có thể tái tạo chính xác phần thông tin chưa từng được ghi nhận. Nếu chữ quá mờ do thiết lập không phù hợp, OCR có thể nhận sai nhiều hơn. Nếu tài liệu màu được chuyển thành hình ảnh quá nghèo thông tin, một số chi tiết có thể không còn. Nếu ảnh gốc được scan ở chất lượng quá thấp, việc muốn tạo một bản lưu trữ tốt hơn sau này có thể buộc người thực hiện phải lấy bản gốc ra và làm lại toàn bộ.

Với tư liệu quý, việc phải thao tác nhiều lần trên bản gốc còn có thể làm tăng nguy cơ hư hại.

Bởi vậy, chiếc máy scan thực sự giữ một vị trí rất đặc biệt trong chuỗi số hóa. Nó là cửa vào của dữ liệu. Những gì thiết bị không thu nhận được ở thời điểm đầu sẽ không tự xuất hiện ở những công đoạn phía sau.

Nhưng điều đó cũng không có nghĩa cứ chọn độ phân giải cao nhất, file lớn nhất là tốt nhất. Một hồ sơ văn phòng phục vụ tra cứu có yêu cầu khác ảnh lịch sử cần lưu giữ lâu dài; bản vẽ kỹ thuật khác sách đóng quyển; tài liệu khổ A4 khác bản đồ khổ lớn. Chất lượng phù hợp phải được xác định từ loại tư liệu và mục tiêu sử dụng.

Đó cũng là lý do không tồn tại một cấu hình scan duy nhất phù hợp cho tất cả mọi thứ.

Số hóa là một chuỗi công việc, không phải một nút bấm

Nếu nhìn toàn bộ quá trình, số hóa một kho tư liệu có thể bắt đầu từ rất lâu trước khi tài liệu được đặt lên máy scan.

Trước hết phải biết đang có những gì. Tài liệu cần được kiểm kê, phân loại và xác định mức độ ưu tiên. Những bản dễ hư hỏng hoặc có giá trị cao có thể cần được xử lý trước. Tình trạng vật lý phải được xem xét để lựa chọn thiết bị phù hợp.

Sau đó mới đến quá trình thu nhận hình ảnh. File được tạo ra cần được kiểm tra để bảo đảm đủ trang, đúng thứ tự, không mất góc, không bị nhòe và đạt chất lượng theo mục tiêu đã xác định.

Tùy nhu cầu, dữ liệu tiếp tục được OCR, đặt tên, bổ sung metadata, phân loại và đưa vào hệ thống quản lý. Cuối cùng là sao lưu, kiểm soát quyền truy cập và duy trì dữ liệu theo thời gian.

Một quy trình có thể hình dung đơn giản như sau:

Kiểm kê tư liệu → chuẩn bị → scan/chụp → kiểm tra chất lượng → OCR → mô tả dữ liệu → tổ chức và lập chỉ mục → lưu trữ → sao lưu → khai thác.

Không phải dự án nào cũng cần tất cả các bước ở cùng mức độ. Một gia đình scan 200 bức ảnh sẽ có cách làm đơn giản hơn thư viện số hóa hàng triệu trang. Một cửa hàng scan chứng từ phục vụ công việc khác một dòng họ muốn bảo tồn cuốn gia phả hàng trăm năm tuổi.

Nhưng logic chung vẫn giống nhau: scan tạo ra bản số; số hóa biến bản số ấy thành một phần của hệ thống thông tin có thể được quản lý và sử dụng.

Sự phân biệt này đặc biệt quan trọng trong thời kỳ chuyển đổi số.

Nếu một tổ chức chỉ biến hàng nghìn tập giấy thành hàng nghìn file PDF rồi tiếp tục tìm kiếm thủ công như trước, phần “giấy” đã giảm nhưng cách quản lý thông tin chưa thay đổi nhiều. Khi tài liệu được nhận dạng, mô tả, kết nối với cơ sở dữ liệu và có khả năng tìm kiếm, lúc đó giá trị của môi trường số mới bắt đầu được khai thác sâu hơn.

Và ở những bước tiếp theo, trí tuệ nhân tạo còn có thể giúp phân loại, trích xuất thông tin, nhận diện cấu trúc và hỗ trợ tìm kiếm trên những kho dữ liệu rất lớn. Nhưng AI cũng chỉ có thể làm việc với những gì đã được đưa vào thế giới số đủ tốt.

Một cuốn gia phả nằm trong tủ không thể được tìm kiếm bằng AI. Một bức ảnh chưa từng được scan không thể được hệ thống dữ liệu phân tích. Một tập hồ sơ mà máy tính chưa từng nhìn thấy vẫn nằm ngoài toàn bộ không gian xử lý số.

Đó là lý do, dù công nghệ phía sau ngày càng hiện đại, máy scan vẫn giữ một vai trò rất cơ bản: nó tạo ra cây cầu đầu tiên giữa thế giới vật lý và thế giới dữ liệu.

Scan không phải toàn bộ quá trình số hóa.

Nhưng với hàng tỷ trang giấy, sách, ảnh, bản đồ, hồ sơ và tư liệu đã được con người tạo ra trước khi thế giới số xuất hiện, rất nhiều hành trình số hóa vẫn phải bắt đầu từ chính bước ấy.