Scansioni negli atti invisibili alla ricerca: che cosa fa l'OCR

Una scansione è un'immagine, non un documento

Un PDF può contenere due cose molto diverse. La prima è testo, con le informazioni sull'impaginazione. La seconda è l'immagine di un foglio di carta, chiusa in un contenitore PDF perché la si possa spedire per e-mail.

Si aprono nello stesso visualizzatore e a chi legge sembrano identici. Solo il primo si può cercare. Gli atti di causa sono pieni del secondo tipo. Nel processo telematico l'atto del difensore deve essere un PDF nativo, ma i documenti prodotti sono spesso copie per immagine: materiale fotocopiato, inviato via fax, scansionato con la stampante dell'ufficio con le impostazioni che aveva, e depositato in un unico file di grandi dimensioni.

Il guasto è silenzioso, ed è questo il problema

Nessun avviso. La ricerca non restituisce risultati, esattamente come quando la parola non c'è. Il documento sta negli atti, indicizzato solo per nome del file, e chi prepara la causa lavora attorno a un buco di cui non sa nulla.

In un insieme di atti voluminoso, un documento non ricercabile equivale in pratica a un documento mancante, e scompare senza alcun messaggio di errore.

Che cosa ti dà davvero l'OCR

Il riconoscimento ottico dei caratteri (OCR) legge l'immagine e produce testo. Su una scansione pulita di una pagina dattiloscritta il risultato è quasi perfetto. La qualità cala a ogni passaggio di copia, quindi il fax di una fotocopia di un fax produce frammenti, e le annotazioni a mano a margine di solito non producono nulla.

Ne seguono due conseguenze pratiche.

La prima: esegui l'OCR al momento dell'importazione, non su richiesta. Se il riconoscimento avviene quando il documento entra negli atti, gli atti sono ricercabili da subito. Se avviene quando qualcuno nota un vuoto, quel vuoto è già costato qualcosa.

La seconda: conserva l'originale. Il testo OCR serve a trovare il documento. È il documento a essere citato, prodotto e messo davanti al giudice.

Sapere che cosa non ha funzionato vale metà del lavoro

Una pagina di caratteri spezzati e legature confuse non è testo, e trattarla come testo è peggio che trattarla come niente. Inquina i risultati della ricerca e prima o poi verrà citata da qualcosa che non sa riconoscere la differenza.

Dall'elaborazione ti serve una risposta chiara in due parti: ecco il testo che siamo riusciti a recuperare, ed ecco l'elenco dei documenti per cui il recupero non è riuscito. Quel secondo elenco è una lista di lavoro. Sono le pagine che una persona deve aprire, e di solito sono molte meno di quanto le dimensioni delle produzioni lascino pensare.

Dove si colloca nel flusso di lavoro

In Legalnaut l'estrazione avviene in base al contenuto e non all'estensione del file, perché i documenti della controparte arrivano con nomi sbagliati o senza nome. Legalnaut prova prima un lettore locale. Quando ciò che ottiene è troppo breve o troppo frammentato per essere testo vero, il documento passa all'OCR, e l'audio passa alla trascrizione, con i riferimenti temporali conservati, così una citazione si può verificare sulla registrazione.

I documenti da cui non si è ricavato nulla di utilizzabile vengono elencati come tali, invece di sembrare documenti vuoti. Di solito quell'elenco è breve.

Una volta ottenuto il testo, può finire in una cronologia: vedi come costruire la cronologia della causa da 900 e-mail.

Crea il tuo account e carica le produzioni della controparte per vedere quali pagine risultano illeggibili. Senza carta di credito.