“A hagyományos OCR a szabályos nyomtatott betűknél még elfogadható eredményt ad, de a rendezetlen, kézzel írt jegyzőkönyvek vagy régi könyvek esetében gyakran csak értelmetlen karaktereket ismer fel.”

Kiváltó ok elemzése

Nagy modellű vizuális kódoló

A Shangyi AI bevezette a Transformer-alapú vizuális kódolókat (például a GPT-4V technológiát), amelyek képesek a szövegkörnyezetből következtetni. Még a nehezen olvasható orvosi recepteket vagy történelmi kéziratokat is képes a rendszer a szövegkörnyezet alapján „kitalálni”, hogy helyesen értelmezze.

Oldalelemzés és kézírás rekonstruálása

A fordítás után a rendszer nemcsak a szöveget cseréli, hanem igyekszik hasonló kézírásos stílusú betűtípussal visszaadni az eredeti jegyzet vizuális élményét is.

Végső megoldás összefoglalója

Az AI technológiának köszönhetően a papíralapú kor értékes anyagai a világ minden táján érthetővé válnak az olvasók számára.