Matnni tanib olish (OCR): hujjatlarni raqamlashtirish yo‘li

OCR nima va uning chegarasi qayerda

OCR (Optical Character Recognition) sahifa tasvirini kompyuter tushunadigan matnga aylantiradi. Manba skan, telefondagi surat yoki matn qatlami yo‘q PDF bo‘lishi mumkin. Shundan keyin hujjatni so‘z bo‘yicha qidirish va dasturlarda qayta ishlash mumkin bo‘ladi.

Ikki vazifani farqlash kerak. Klassik OCR harflarni taniydi va matnni beradi, lekin ma’nosini tushunmaydi: unga shartnoma raqami ham, ombor manzili ham bir xil ko‘rinadi. Sun’iy intellekt asosidagi tanish esa matndan kerakli maydonlarni ajratadi: hujjat raqami, sana, summa, kontragent. U turli shakldagi hujjatlar bilan ham ishlay oladi.

Arxivda faqat qidiruv kerak bo‘lsa, odatda oddiy OCR yetadi. Hisobga avtomatik kiritish uchun esa maydonlarni ajratib olish kerak. Vositani tanlashdan oldin shu chegarani belgilab oling, aks holda bir narsa sotib olib, boshqasini kutasiz.

O‘zbekiston biznesida qayerda foyda beradi

Odatdagi holat: Toshkentdagi ulgurji do‘kon yetkazib beruvchilardan nakladnoylarni qog‘ozda va Telegramda surat shaklida oladi, buxgalter esa raqamlarni jadvalga qo‘lda ko‘chiradi. Har bir nakladnoy vaqt oladi va xato qilish xavfini tug‘diradi. Qog‘oz shartnomali klinikalar tarmog‘ida yoki xodimlarning cheklarini xarajat hisoboti uchun yig‘adigan kompaniyada ham shunday.

Uzum yoki OLX orqali sotadigan bo‘lsangiz, tovar qabul qilishda yorliq va tablichkalardagi yozuvni matnga aylantirib, mahsulot kartochkasi bilan solishtirish mumkin.

• Qog‘oz shartnoma va dalolatnomalar arxivini matn bo‘yicha qidiriladigan qilish
• Nakladnoy, hisob-faktura va cheklardagi ma’lumotni hisob tizimiga kiritish
• Qog‘oz hujjatni tahrirlanadigan ko‘rinishga o‘tkazish
• Yorliq va tablichka suratidagi yozuvni tanish
• Hujjatlarni keyingi avtomatik qayta ishlashga tayyorlash

Aniqlikka nima ta’sir qiladi

Natija deyarli butunlay manbaga bog‘liq. Eng yaxshi dvigatel ham qorong‘i, qiyshaygan va shoshilib olingan suratdan matnni chiqara olmaydi. Shuning uchun vositani tanlashdan oldin hujjatlarning o‘ziga qarang.

• Skan ruxsati va aniqligi
• Yorug‘lik va kontrast, barmoq va buklangan joylardan tushgan soya
• Sahifa tekisligi: qiyshiqlik qatorlarni buzadi
• Shrift: bosma matn qo‘lyozmadan ancha yaxshi taniladi
• Qog‘oz holati: dog‘lar, matn ustidagi muhrlar, o‘chib ketgan faks
• Til va alifbo

Lotin, kirill va aralash hujjatlar bilan tanish

Ko‘plab xorijiy xizmatlar ingliz va rus tilini ishonchli o‘qiydi, ammo o‘zbek lotin yozuvidagi o‘ va g‘ harflarining tutuq belgilarida adashadi. Kirillchadagi eski hujjatlar yana bir holat qo‘shadi, bitta jadvalda esa ruscha tovar nomlari va o‘zbekcha rekvizitlar aralash uchrashi mumkin.

Shu sababli sinov namunasiga o‘zingizda uchraydigan barcha variantlarni kiriting: lotin, kirill va aralash sahifalar. Model tutuq belgilarni chalkashtirsa yoki o‘xshash harflarni almashtirsa, buni butun arxivni skanerlashdan oldin bilgan ma’qul.

Joriy qilish rejasi qadamma-qadam

Xizmat sotib olishdan boshlamang. Eng ko‘p vaqt oladigan bitta hujjat turini tanlab, butun yo‘lni shu hujjatda sinab ko‘ring.

• Inventarizatsiya: qanday hujjatlar bor, taxminan qancha, qaysi tilda va qanday holatda
• Maqsad: faqat arxivdan qidirish yoki aniq maydonlarni hisobga kiritish
• Reklamadagi chiroyli namunalarda emas, o‘z papkangizdagi haqiqiy hujjatlarning kichik namunasida sinov
• Sifat bashorat qilinadigan bo‘lishi uchun bir xil sozlamalar bilan skanerlash
• Tanish va namunani tekshirish: summa, raqam va ismlarni inson ko‘zdan kechiradi
• Qidiruv uchun indekslash va tushunarli fayl nomlari
• Zaxira nusxalar va kirish huquqlarini cheklash bilan saqlash

Variantlar taqqosi: qo‘lda kiritish, oddiy OCR, SI bilan ajratish

Qo‘lda kiritish sozlashni talab qilmaydi va hujjat kam bo‘lganda yetarli. Oqim o‘sgani sari u qimmatlashadi, bir xil mashaqqatli ishda esa xatolar ko‘payadi.

Oddiy OCR arxiv uchun yaxshi: hujjatlarni tez qidiriladigan qiladi, lekin maydonlarni o‘zi to‘ldirmaydi va natijani baribir inson o‘qiydi. Zaxira sifatida kerak bo‘lgan katta arxiv uchun bu oqilona tanlov.

SI asosidagi ajratish raqam, sana, summa va kontragentni turli shaklda ham to‘ldiradi, ammo sozlash, tekshiruv va shubhali joylar bilan ehtiyotkor ishlashni talab qiladi. Nakladnoy va cheklarning doimiy oqimi uchun, raqamlar muhim bo‘lsa, shu yo‘nalishga qarang, yakuniy tekshiruvni esa odamga qoldiring.

Keng tarqalgan xatolar

Birinchi xato — natijaga ko‘zni yumib ishonish. Hech bir OCR yuz foiz aniq emas, shuning uchun summa, rekvizit va familiyalarni tekshirish, ishonch darajasi past joylarni odamga ko‘rsatish kerak.

Ikkinchisi — ideal skanlarda sinab, keyin messenjerdan kelgan suratlar bilan ishlash. Uchinchisi — raqamlashtirgandan keyin asl nusxalarni tashlab yuborish: tanilgan matn ish uchun qulay, lekin yuridik kuch asl nusxada yoki elektron imzo bilan tasdiqlangan hujjatda, saqlash muddatlari esa bekor qilinmagan. To‘rtinchisi — hammasini indekslamasdan skanerlash: tushunarli nom va yorlig‘i yo‘q fayllar qog‘oz papkalardan yaxshiroq qidirilmaydi. Beshinchisi — shartnoma skanlari va pasport ma’lumotlariga kim kira olishini belgilamaslik.

OCRni to‘liq analitika va hisobot bilan bog‘lash

Tanilgan hujjat o‘z-o‘zidan biznes haqida hech narsa demaydi. Foyda undagi ma’lumot hisobotga tushganda paydo bo‘ladi: chek va hisoblardagi summalar reklama va xarid xarajatlari manzarasini to‘ldiradi, nakladnoylar haqiqiy tannarxni ko‘rsatadi, shartnomalar esa bitimni mijoz manbai bilan bog‘lashga yordam beradi.

Agar reklama, CRM va Click yoki Payme orqali to‘lovlar statistikasi allaqachon yig‘ilayotgan bo‘lsa, hujjatlardagi ma’lumot umumiy hisobotdagi yana bitta manbaga aylanadi. markdev jamoasi to‘liq analitika va hisobot bilan shug‘ullanadi va amalda eng qiyini tanishning o‘zi emas, maydonlarni yagona ko‘rinishga keltirish: sana deb nimani hisoblash, summani qaysi valyutada saqlash, kontragentni qanday nomlash. Busiz turli tizimlardagi raqamlar mos kelmaydi.

Biznesingizda qaysi hujjatlarni birinchi navbatda raqamlashtirish va hisobotga qanday ulash haqida gaplashmoqchi bo‘lsangiz, vazifani biz bilan muhokama qiling: mavhum sxemadan emas, sizning haqiqiy papkangizdan boshlaymiz.