Отсканированный PDF-файл без PDF-закладок представляет собой черный ящик. Читатель не может перейти к определенной главе или разделу, не пролистав каждую страницу. Добавление закладок и оглавления вручную для отсканированного документа на 200 страниц требует нескольких часов пролистывания страниц и ввода заголовков разделов. Инструменты AI PDF теперь могут анализировать отсканированный контент, определять заголовки глав и разрывы разделов, а также автоматически создавать закладки и оглавление, сокращая часы ручной работы до минут обработки и проверки с помощью искусственного интеллекта.
Подход ИИ работает в два этапа. Сначала OCR PDF извлекает текст из отсканированных изображений. Затем анализ ИИ считывает извлеченный текст, определяет структурные закономерности, такие как повторяющиеся стили заголовков, нумерованные разделы и изменения тем, а также предлагает иерархию закладок. Сгенерированные закладки требуют проверки человеком, но ИИ выполняет трудоемкую работу по поиску того, где начинается каждый раздел и как он должен называться.
PDF-инструменты WukongPDF поддерживают обработку оптического распознавания символов и создание закладок для отсканированных документов.
Шаг 1. Распознавание отсканированного PDF-файла
Прежде чем ИИ сможет проанализировать структуру документа, необходимо извлечь текст из отсканированных изображений. Запустите распознавание текста в отсканированном PDF-файле, используя любой из инструментов, описанных в предыдущих главах: Acrobat Pro, Tesseract или OCRmyPDF. На этапе OCR создается PDF-файл с возможностью поиска с текстом за изображениями страниц. Качество вывода OCR напрямую влияет на качество закладок, созданных ИИ. Если OCR неправильно читает заголовки разделов, закладки отразят ошибки.
Для документов со смешанным качеством сканирования запустите распознавание текста с разрешением 400 точек на дюйм, чтобы обеспечить максимальную точность распознавания текста. Обратите особое внимание на первые несколько слов каждого нового раздела, которые обычно содержат текст заголовка, который станет закладкой. Если первая страница каждой главы представляет собой отсканированное изображение с декоративными шрифтами или фоновыми узорами, точность распознавания на этих страницах может быть ниже, чем на страницах, содержащих только текст.
Попробуйте распознавание PDF-файлов
Никакой установки не требуется. Работает прямо в вашем браузере.
Использование функции автоматической закладки Acrobat Pro
Acrobat Pro может создавать закладки на основе шаблонов форматирования текста. Откройте PDF-файл с возможностью поиска и перейдите на панель «Закладки». Откройте меню «Параметры» и выберите «Новые закладки из структуры». Acrobat анализирует структуру документа с тегами и создает закладки, соответствующие иерархии заголовков. Если PDF-файл не помечен тегами, вместо этого используйте «Новые закладки из текста страницы», который анализирует размеры и стили шрифта для определения вероятных заголовков.
На практике автоматически создаваемые закладки — это отправная точка, а не готовый продукт. Разверните дерево закладок и просмотрите каждую запись. Переименуйте закладки, которые OCR неправильно считывает. Удалите закладки в случае ложных срабатываний, например номеров страниц, интерпретируемых как заголовки. Измените порядок закладок, вложенных на неправильном уровне иерархии. ИИ получает структуру примерно правильную. Человеческий обзор делает это совершенно правильным.
Генерация семантических закладок с помощью искусственного интеллекта
Новые инструменты искусственного интеллекта выходят за рамки анализа шрифтов и позволяют понять семантическую структуру документа. Они читают полный текст и определяют границы темы, а не только изменения форматирования. Глава, которая начинается с полностраничного изображения и без текста заголовка, может быть пропущена при анализе на основе шрифта, но распознана семантическим анализом, поскольку тема меняется. Эти инструменты доступны через облачные службы искусственного интеллекта и некоторые платформы управления корпоративными документами.
Семантический анализ также улучшает маркировку закладок. Вместо использования текста, выделенного жирным шрифтом вверху страницы, ИИ может создать описательную метку, например «Глава 3: Результаты экспериментов», даже если эти слова не встречаются в документе вместе. Метка синтезируется из контекста, обеспечивая более полезную закладку, чем извлечение необработанного текста.
Создание оглавления из закладок
После того, как закладки созданы и проверены, сгенерируйте из них страницу оглавления. В Acrobat Pro закладки можно экспортировать в текстовый файл, отформатировать как страницу содержания в текстовом процессоре и вставить в начало PDF-файла с помощью инструмента «Объединить файлы». Записи оглавления можно связать с соответствующими страницами с помощью инструмента Acrobat Link, создавая интерактивное оглавление, соответствующее структуре закладок.
Когда дело доходит до рабочих процессов с документами, для периодической обработки отсканированных документов одинакового формата создание закладок и оглавление можно автоматизировать с помощью сценариев. Сценарий Python, использующий библиотеку pikepdf, может считывать выходные данные OCR, идентифицировать шаблоны заголовков с помощью регулярных выражений, создавать объекты закладок PDF и вставлять их в документ. Подход на основе сценариев обрабатывает сотни отсканированных PDF-файлов с согласованными шаблонами заголовков без ручного вмешательства.
| Подход | Как это работает | Точность |
|---|---|---|
| Автоматические закладки Acrobat | Обнаруживает текстовые шаблоны, такие как жирные заголовки. | Хорошо подходит для четко отформатированного текста. |
| Семантический анализ на базе искусственного интеллекта | Анализирует смысл контента для определения разделов. | Лучше для разнообразного форматирования |
| Гибрид: AI + ручной обзор | ИИ генерирует, человек проверяет и исправляет | Лучше всего для важных документов |
Ограничения и случаи, когда человеческие усилия все еще необходимы
Генерация закладок с помощью ИИ лучше всего работает с документами с четкой и последовательной структурой: учебниками, отчетами, руководствами и официальными документами, в которых заголовки следуют предсказуемым шаблонам. Он хуже работает с документами с нерегулярной структурой, такими как журналы, информационные бюллетени и творческие макеты, где границы разделов являются визуальными, а не текстовыми. Для этих документов ИИ обеспечивает приблизительную отправную точку, которая требует больше человеческих исправлений, чем время, сэкономленное автоматизацией.
На практике точность закладок, созданных ИИ, должна раскрываться, если документ используется в контексте, где ошибки навигации могут иметь последствия, например, в юридических документах, нормативных документах или медицинских записях. Примечание в метаданных документа о том, что закладки были созданы искусственным интеллектом и проверены человеком, обеспечивает прозрачность и устанавливает соответствующие ожидания для читателей, полагающихся на структуру закладок для навигации.
Закладки и оглавления, созданные искусственным интеллектом, преобразуют отсканированный PDF-файл из простой последовательности изображений в документ с возможностью навигации. ИИ выполняет трудоемкую работу по поиску границ разделов. Человек-рецензент обеспечивает проверку точности. Вместе они создают документ с профессиональными закладками за долю времени, которое потребовалось бы для создания закладок вручную.
Сравнение закладок, созданных искусственным интеллектом, с закладками, созданными человеком
Когда дело доходит до рабочих процессов с документами, для примера документа создайте закладки вручную и сравните их с закладками, созданными искусственным интеллектом. Сравнение выявляет сильные стороны ИИ, обычно последовательность и скорость, и слабые стороны, обычно неоднозначные заголовки и неправильную структуру разделов. Понимание производительности ИИ помогает калибровать усилия по проверке человеком.
По мере совершенствования моделей ИИ за счет обучения большему количеству документов и получения исправлений разрыв сокращается. Роль человека смещается от исправления множества ошибок к проверке приемлемого результата, что происходит быстрее и менее утомительно, чем создание закладок с нуля.
Закладки, созданные искусственным интеллектом, особенно ценны для проектов по оцифровке, где требуется навигация по тысячам отсканированных документов. Ручная установка закладок в таком масштабе невозможна. Обработка ИИ с выборочной проверкой делает крупномасштабную навигацию достижимой в рамках бюджета.
Если посмотреть на это практически, то на практике сочетание оптического распознавания символов и закладок искусственного интеллекта превращает отсканированный архив в цифровую библиотеку с возможностью навигации. Исследователь может просматривать дерево закладок, чтобы понять структуру, переходить к интересующим разделам и искать термины в коллекции.
По мере того как инструменты анализа документов ИИ становятся более совершенными, разрыв между ИИ и закладками, созданными человеком, будет сокращаться. Будущие инструменты могут создавать закладки, неотличимые от закладок, созданных внимательными рецензентами-людьми.
Генерация закладок — это одно из применений понимания документов ИИ. Та же технология, которая определяет границы разделов, может также генерировать сводки, извлекать ключевые выводы и определять связи между документами в коллекции.
Для большинства инструментов порог качества закладок, созданных искусственным интеллектом, зависит от варианта использования документа. Юридические документы требуют почти идеальной точности. Внутренние справочные документы допускают случайные ошибки, которые читатель может исправить на лету.
Обучение пользовательских моделей искусственного интеллекта форматам документов, специфичным для организации, повышает точность закладок. Модель изучает характерные шаблоны заголовков, выбор шрифтов и правила нумерации разделов, используемые в документах организации.
Для общедоступных документов закладки, созданные ИИ, должны включать видимую заметку, указывающую, что они были созданы автоматически. Раскрытие информации отвечает ожиданиям читателей и поощряет сообщать об ошибках для исправления.
Обычно процесс создания закладок может быть интегрирован в конвейер приема документов. Когда новый отсканированный документ поступает в систему, закладки OCR и AI запускаются автоматически, прежде чем документ станет доступен пользователям.
Создание закладок с помощью искусственного интеллекта снижает барьеры на пути к навигации по отсканированным коллекциям. Проекты, которые раньше были непомерно затратными из-за ручного труда по созданию закладок, становятся осуществимыми, когда большую часть работы берет на себя ИИ.
В этом контексте на практике тот же анализ ИИ, который генерирует закладки, может также предлагать метаданные документа, такие как название, автор и ключевые слова темы. Иерархия закладок часто раскрывает логическую структуру документа, из которой можно вывести метаданные.
При обработке документов для коллекций исторических документов ИИ-закладки должны бороться с устаревшими шрифтами, ухудшением качества сканирования и нестандартными макетами. Точность исторических документов ниже, чем современных документов.
Обратная связь от пользователей, просматривающих документы с закладками ИИ, должна собираться систематически. Сообщения пользователей о неправильных закладках возвращаются в конвейер обучения ИИ, повышая точность будущих документов.
Анализ документов с помощью искусственного интеллекта — это не замена человеческого суждения, а усиление человеческих возможностей. ИИ обрабатывает тысячи страниц за считанные минуты, выявляя закономерности и структуры. Человек-рецензент проверяет выходные данные, применяя контекстуальное понимание, которого нет у ИИ. Вместе они достигают результатов, которых ни один из них не мог бы достичь в одиночку.
Закладки, созданные искусственным интеллектом, преобразуют отсканированный PDF-файл в документ с возможностью навигации. ИИ определяет границы разделов, на поиск которых вручную уйдут часы. Рецензент проверяет точность и исправляет крайние случаи. Партнерство создает профессиональные документы с закладками за короткое время.
Попробуйте распознавание PDF-файлов
Никакой установки не требуется. Работает прямо в вашем браузере.