آرشیوی که اسکن شده ولی هنوز قابل جست‌وجو نیست

چرا اسکن‌کردن کافی نبوده

اسکن، سند کاغذی را به تصویر تبدیل می‌کند و همین برای بایگانی و مشاهده کافی است. ولی هیچ سامانه‌ای نمی‌تواند داخل تصویر دنبال یک شماره‌ی نامه یا یک عبارت بگردد، چون از نظر آن سامانه اصلاً متنی وجود ندارد.

نتیجه‌ی عملی‌اش را همه دیده‌اند: کارمندی که می‌داند بخشنامه‌ای هست ولی نمی‌داند کجاست، و ناچار از همکار قدیمی‌تر می‌پرسد. آرشیو هست، دسترسی نیست.

قاعده‌ای که رعایتش مهم‌تر از انتخاب موتور OCR است

وسوسه‌ی طبیعی این است که خروجی OCR مستقیم وارد دانش‌نامه شود تا کار زودتر تمام شود. این دقیقاً همان‌جایی است که پروژه‌ها خراب می‌شوند: خطای OCR بی‌صدا وارد پایگاه دانش می‌شود و بعد به شکل «جواب اشتباه با ارجاع به سند معتبر» بیرون می‌آید — بدترین نوع خطا، چون قابل تشخیص نیست.

راه درست یک دروازه‌ی بازبینی است: سندی که اطمینان استخراجش پایین باشد به صف بازبینی می‌رود و تا وقتی کسی تأییدش نکرده وارد پاسخ‌دهی نمی‌شود. حجم بازبینی هم معمولاً کم است، چون فقط بخش‌های مشکوک علامت می‌خورند نه کل آرشیو.

سند اسکن‌شده‌ای که OCR نشده، از نظر دانش‌نامه اصلاً وجود ندارد. اولین کاری که موقع برآورد باید انجام دهید این است که بفهمید چه نسبتی از آرشیوتان تصویری است، نه چند گیگابایت است.