Amazon представила технологию Textract — интеллектуальный инструмент для оптического распознавания символов (OCR) и их конвертации в цифровые форматы.
Технология распознавания текста существует давно. Однако классические методы зачастую неэффективны.
Во-первых, система может легко перепутать единицу со строчной L или прописной I. То же справедливо для нуля и прописной О.
Во-вторых, при изменении шаблона, на основе которого формируется документ, данные могут перемешаться из-за неверного распознавания. Последнюю проблему и решает Textract.
Как заявил CEO AWS Энди Джесси (Andy Jassy), классическое оптическое распознавание просто «читает» текст, тогда как Amazon Textract способен определять форматирование текста, графические элементы и прочие особенности вёрстки. Ясси показал это при сравнении результатов обычного OCR и разработки компании. Первая система распознала таблицу как строку текста, а вторая корректно перенесла данные в цифровой формат.
По словам Ясси, Textract достаточно умён, чтобы определить номера документов, даты рождения и адреса, после чего правильно интерпретировать вне зависимости от того, в каком месте страницы они находятся. В случае изменения шаблона система не пропустит неправильный результат.
