Скани в матеріалах справи не видно в пошуку. Що дає OCR

Скан є зображенням, а не документом

Файл PDF може містити дві дуже різні речі. В одному випадку це текст разом із розміткою сторінки. В іншому це зображення аркуша паперу, вкладене в PDF, щоб його можна було надіслати електронною поштою.

Обидва файли відкриваються в тій самій програмі й для читача виглядають однаково. Шукати можна лише в першому. А матеріали судових справ повні файлів другого типу: документів, скопійованих на ксероксі, надісланих факсом, відсканованих офісним апаратом з тими налаштуваннями, які в ньому були, і отриманих одним великим файлом. Так часто виглядають і копії додатків, які протилежна сторона надсилає разом із заявами по суті справи, і скани паперових документів, що надходять до електронної справи.

Збій тихий, і в цьому проблема

Ніщо вас не попереджає. Пошук не повертає результатів, і це виглядає точнісінько так само, як коли слова в документах справді немає. Документ лежить у матеріалах справи, знайти його можна лише за назвою файлу, і той, хто готує справу, обходить прогалину, про яку навіть не знає.

Документ, у якому не можна шукати, у великій справі фактично є відсутнім документом, і зникає він без жодного повідомлення про помилку.

Що насправді дає OCR

Оптичне розпізнавання символів читає зображення і створює текст. На чистому скані надрукованої сторінки результат майже бездоганний. Якість падає з кожною наступною копією: факс із ксерокопії факсу дає уривки, а рукописні нотатки на полях зазвичай не дають нічого.

Звідси два практичні висновки.

По-перше, запускайте розпізнавання під час імпорту, а не на вимогу. Якщо OCR виконано тоді, коли документ потрапляє до матеріалів справи, у них можна шукати від самого початку. Якщо OCR запускають тоді, коли хтось помітив прогалину, ця прогалина вже чогось коштувала.

По-друге, зберігайте оригінал. Текст з OCR потрібен, щоб знайти документ. Цитують, подають як доказ і показують суду сам документ.

Знати, що не вдалося, означає мати половину користі

Сторінка з мішаниною знаків не є текстом, і вважати її текстом гірше, ніж не мати нічого. Вона засмічує результати пошуку, і рано чи пізно її процитує щось, що не бачить різниці.

Від процесу вам потрібна чітка відповідь із двох частин: ось текст, який вдалося відновити, а ось перелік документів, де це не вдалося. Другий перелік є чергою роботи. Саме ці сторінки людина має відкрити сама, і їх зазвичай набагато менше, ніж можна подумати з обсягу матеріалів.

Де цей етап у робочому процесі

Legalnaut визначає спосіб витягнути текст за вмістом файлу, а не за його розширенням, бо отримані матеріали надходять із невдалими назвами або взагалі без них. Спершу ми намагаємося прочитати текст на власних серверах. Якщо отриманий текст закороткий або надто пошкоджений, щоб бути справжнім, документ іде на OCR, а аудіозаписи на розшифрування зі збереженням часових позначок, щоб цитату можна було звірити із записом.

Документи, з яких не вдалося отримати нічого придатного, ми позначаємо саме так, і вони не виглядають як порожні документи. Цей перелік зазвичай короткий.

Коли текст є, його можна покласти на хронологію: див. статтю як скласти хронологію справи з 900 електронних листів.

Створіть обліковий запис і завантажте документи, отримані від протилежної сторони, щоб побачити, які сторінки не вдалося прочитати. Банківська картка не потрібна.