کلیپ
پادکست
متن
بسمالله الرحمن الرحیم
کارشناس: استاد محمودی
عنوان: کاربردهای هوش مصنوعی در پژوهش، قسمت چهاردهم
در ادامه بحث نرمافزار OCR بازشناسی نوری نویسهها که در جلسه قبل مطرح شد، به معرفی و بررسی ابزارهای تخصصیتر میپردازیم که برای تبدیل فایلهای غیرمتنی به متون قابل پردازش برای پژوهش، کاربرد دارند.
سایت تخصصی ایبو (Eboo) برای OCR
سایت ایبو (Eboo) یکی از سامانههایی است که در بحث OCR، نرمافزاری بسیار قوی محسوب میشود. این سایت پولی است، اما کار بسیار باکیفیتی ارائه میدهد.
الف) امکانات و نحوه عملکرد ایبو
شما میتوانید در سایت ایبو یک فایل PDF را آپلود کنید و هم تست رایگان آن را مشاهده کنید و هم تعیین صفحات مورد نظر برای تبدیل را انجام دهید. برای مثال، اگر تست رایگان را انتخاب کنید و شماره صفحه ۵ یک مجله را برای تبدیل به متن مشخص نمایید، سایت چهار حالت برای تبدیل به شما ارائه میدهد که هر چهار حالت قابل استفاده است.
حالت چهارم برای متنهایی است که بسیار پیچیده و سخت هستند. این حالت برای متونی است که واقعاً به هیچ وجه نمیتوان آنها را تبدیل کرد، و معمولاً همیشه فعال است.
هنگامی که حالت مورد نظر انتخاب میشود، سایت شروع به پردازش کردن محتوا میکند. پس از چند لحظه، متن خالص آن صفحه را برای دانلود ارائه میدهد.
ب) تفاوت حالتهای پردازش
حالتهای مختلف پردازش برای انواع ساختارهای متنی طراحی شدهاند:
- حالت دوم برای فایلهایی است که جداول زیادی دارند.
- حالت سوم برای فایلهایی است که ساختار پیچیده دارند.
- حالت چهارم فایل شما را به عنوان تصویر مورد بررسی قرار میدهد. این حالت پس از تشخیص نواحی نظیر جدول، ستون، عکس و سایر مسائل، فایل را به فرمت Word تبدیل میکند.
در حالتهای سادهتر (مانند حالت چهارم که ساختار متنی را حفظ نمیکند)، ممکن است متن خروجی بدون حفظ ساختار متنی باشد، یعنی فقط متن و فونت و بسیاری از مسائل دیگر دقیق نباشند.
تعریف دقیق علمی OCR و خوراک اولیه پژوهش
OCR در تعریف دقیق علمی، برای بحث تبدیل فایلهای تصویری به متن است. یعنی فایلهایی که کاملاً تصویر هستند.
با این حال، به صورت یک غلط مشهور، این بحث را به فایلهایPDF نیز تعمیم میدهند، چون بعضی از PDFها در قالب متنی هستند که میتوان متن را انتخاب و Select کرد و در حالی که بعضی دیگر تصویری هستند.
بنابراین، OCR اصطلاحاً بیشتر به بحث تصاویر اطلاق میشود.
این دو راهکار OCR آفلاین و آنلاین دو راهکار اصلی در بحث تبدیل تصاویر، PDFها و سایر مسائل به متن هستند.
نقش محتوای تبدیل شده در پژوهش
این متن تبدیل شده، خوراک اولیه پردازش برای پژوهشهای ما خواهد بود.
برای مثال، در جلسه گذشته فایلی از تمامی صحیفه نور (بیانات امام خمینی) در سیستم پردازش شده بود. در این فایل، محورهای اصلی بیانات امام خمینی در مورد فناوریهای نوین مشخص شدهاند که عبارتاند از:
ماهیت فناوری نوین چیست؟
شروط شرعی و اخلاقی آن
ضرورت استقلال در حوزه فناوری؟
نقش مردم
هدف نهایی از فناوریهای نوین ارتباطی چه چیزی باید باشد؟
Top of Form
Bottom of Form