Skany w aktach sprawy niewidoczne dla wyszukiwarki. Co daje OCR

Skan to obraz kartki

PDF może zawierać dwie zupełnie różne rzeczy. Pierwsza to tekst wraz z układem strony. Druga to obraz kartki zamknięty w pliku PDF tylko po to, żeby dało się go wysłać e-mailem.

Oba rodzaje plików otwierają się w tym samym programie i wyglądają identycznie, ale przeszukać da się tylko pierwszy. W aktach sądowych roi się od tych drugich: kserokopii, faksów, skanów z biurowego urządzenia na ustawieniach, których nikt od lat nie zmieniał. Często wszystko to przychodzi w jednym dużym pliku.

Nikt Cię nie ostrzeże

Wyszukiwarka nie zwraca żadnych wyników i wygląda to dokładnie tak samo jak wtedy, gdy słowa w aktach po prostu nie ma. Dokument leży w aktach, ale system zna tylko nazwę pliku, a osoba przygotowująca sprawę nawet nie wie, że coś jej umyka.

W obszernych aktach dokument, którego nie da się przeszukać, w praktyce nie istnieje. Przepada bez żadnego komunikatu o błędzie.

Co naprawdę daje OCR

OCR, czyli optyczne rozpoznawanie znaków, odczytuje obraz i zamienia go na tekst. Przy czystym skanie maszynopisu wynik jest bliski ideału. Jakość spada z każdym kolejnym kopiowaniem: z faksu zrobionego z kserokopii faksu zostają strzępy, a z odręcznej notatki na marginesie zwykle nic.

Wynikają z tego dwie praktyczne zasady.

Po pierwsze, uruchamiaj OCR od razu przy wgrywaniu dokumentów, a nie dopiero wtedy, gdy okaże się potrzebny. Jeśli rozpoznajesz tekst w chwili, gdy dokument trafia do akt, całe akta od początku da się przeszukiwać. Jeśli robisz to dopiero wtedy, gdy ktoś zauważy lukę, zwykle jest już za późno.

Po drugie, zachowaj oryginał. Tekst z OCR służy tylko do odnalezienia dokumentu. Cytujesz, powołujesz się na dowód i przedkładasz sądowi zawsze sam dokument.

Równie ważne jest to, czego nie udało się odczytać

Strona pełna przypadkowych znaków nie jest tekstem, a traktowanie jej jak tekstu szkodzi bardziej niż jej pominięcie. Zaśmieca wyniki wyszukiwania, a prędzej czy później zacytuje ją narzędzie, które nie odróżni jej od prawdziwej treści.

Z rozpoznawania tekstu powinny więc wyjść dwie rzeczy: tekst, który udało się odzyskać, i lista dokumentów, których nie dało się odczytać. Ta lista to gotowy plan pracy. Te dokumenty ktoś musi otworzyć i przeczytać, a zwykle jest ich dużo mniej, niż sugeruje objętość akt.

Jak robi to Legalnaut

Legalnaut dobiera sposób odczytu na podstawie zawartości pliku, a nie jego rozszerzenia, bo doręczone materiały często przychodzą z błędnymi rozszerzeniami albo bez rozszerzeń. Najpierw odczytuje tekst zapisany w pliku. Gdy wynik jest za krótki lub zbyt zniekształcony, żeby uznać go za prawdziwy tekst, dokument trafia do OCR. Nagrania Legalnaut zamienia na transkrypcję ze znacznikami czasu, więc każdy cytat porównasz z nagraniem.

Dokumenty, z których nie dało się odczytać niczego sensownego, wyraźnie oznaczamy, więc nie wyglądają na puste pliki. Zwykle jest ich niewiele.

Mając tekst, możesz ułożyć zdarzenia na osi czasu. Zobacz, jak zbudować chronologię sprawy z 900 e-maili.

Załóż konto i wgraj doręczone akta, a zobaczysz, których dokumentów nie da się odczytać. Bez podawania karty płatniczej.