recognAIze
Mit recognAIze bekommen Sie Ihre Dokumente in den Griff. recognAIze verarbeitet umfangreiche Dokumentsammlungen auf Spitzenniveau. In einem vollständig automatisierten Workflow werden Dokumente strukturiert, erkannt und ausgelesen. So enthält recognAIze zum Beispiel effiziente Methoden zur Bildoptimierung, Layoutanalyse, OCR und Textanalyse. Die Entwickler der recognAIze haben es sich zur Aufgabe gemacht, Qualität und Geschwindigkeit der Dokumentanalyse zu optimieren. Damit die Dokumentverarbeitung für recognAIze-Kunden eines Tages zur schönsten Nebensache der Welt wird.
Vorteile
Softwarehersteller können recognAIze direkt in ihre eigene Lösung integrieren. Über eine Schnittstelle kann recognAIze in das Enterprise Content Management (ECM), Dokumentmanagementsystem (DMS), Workflow Management oder vergleichbare Lösungen eines Herstellers eingebettet werden. Die Vorteile für Anwender im Überblick:
- Nur wenige Trainingsdokumente nötig
- Spitzentechnologie dank Machine Learning
- Robust gegenüber Scans in schlechter Qualität
- Modularer Aufbau ermöglicht stufenweisen Einstieg
- Kann für verschiedene Fachsprachen trainiert werden
- Geeignet für über 2000 Schriftarten (Fraktur und Antiqua)
- Beste Ergebnisse unabhängig von OCR dank Vorverarbeitung
Dokumente
recognAIze kommt mit einer Unsumme an Dokumenten in unterschiedlichster Qualität zurecht. Und recognAIze ist ein Allesfresser. Ob originär elektronisch (CI) oder gescannt (NCI), mit der Digitalkamera aufgenommen oder als Fax empfangen; ob strukturiert oder unstrukturiert: recognAIze verarbeitet die unterschiedlichsten Dokumentarten. So zum Beispiel Zeitungen und Zeitschriften, kaufmännische Dokumente (Rechnung, Lieferschein, Geschäftspost), Verträge, AGB, Geschäftsberichte, technische Datenblätter, Korrespondenz, Urkunden, Bewerbungsunterlagen, Behördenakten, historische Dokumente, Fragebogen, Arztrezepte, Pässe und mehr. Auch bei der Verarbeitung von Scans in schlechter Qualität liefert recognAIze gute Ergebnisse.
Workflow in 4 Steps
Step 1
Vorverarbeitung
Step 2
Strukturerkennung
Step 3
OCR
Step 4
Klassifikation
1. Vorverarbeitung
Mittels vollautomatischer Qualitätsoptimierung werden die Digitalisate für die nächsten Verarbeitungsschritte bestmöglich aufbereitet.
Ziel: Feststellen der Schärfe und aussortieren von Bildern
Vorteil: Bilder mit geringer Qualität zurückweisen und Kunden um neues Bild bitten. Nur hochwertige Bilder in der Verarbeitung.
Ziel: Ausschneiden und separates Speichern von Objekten
Vorteil: Immer wichtiger in Zeiten mobiler Apps. Der Seitenrand wird auf dem Handyfoto eines Dokuments gefunden.
Ziel: Glätten des Schriftbilds
Vorteil: Ob mit dem Handy verzerrt abfotografierte Dokumente oder am Falz gescannte Buchseiten – das Schriftbild wird entzerrt.
Ziel: Horizontales Ausrichten schiefer Digitalisate
Vorteil: Hoch- und Querformat werden zuverlässig erkannt, aber auch um wenige Grad gedrehte Seiten und sogar Drehungen um 180 Grad.
Ziel: Text und Hintergrund – schwarz auf weiß
Vorteil: Zuverlässige Konvertierung selbst in schwierigen Fällen wie bei ungleichmäßiger Belichtung. Dokumente werden für Folgeschritte vorbereitet und nebenbei Speicher-, Datentransfer- und Zeitaufwand reduziert.
Ziel: Entfernen von Störelementen (Riss, Falzmarke, etc.)
Vorteil: Enorm wichtig vor der OCR. So wird die fehlerfreie Erkennung in den Folgeschritten sichergestellt.
2. Strukturerkennung
Dank logischer Strukturerkennung wird die Bilddatei in relevante Bereiche (z.B. Texte, Bildunterschriften, Linien) und irrelevante Bereiche (z.B. Abbildungen, Weißflächen) aufgeteilt.
Ziel: Separieren einzelner Inhaltsbausteine
Vorteil: Mehrspaltiger Text? Markierungen auf dem Seitenrand? Dank der Segmentierung werden die Textinhalte und -zusammenhänge bei späteren Text Mining-Schritten korrekt erkannt.
Ziel: Zuordnen und kombinieren einzelner Inhaltsbausteine
Vorteil: Die semantische Bedeutung einzelner Textblöcke wird erkannt, z.B. Adresse, Betreff, Anrede, Haupttext, Fußzeile, Überschrift, Unterüberschrift, etc. Eine enorme Erleichterung für die nächsten Schritte.
Ziel: Erkennen tabellarischer Inhaltsbausteine
Vorteil: Daten lassen sich kaum komprimierter darstellen als in einer Tabelle. Dank der Tabellenerkennung können tabellarische Daten zuverlässig gefunden und extrahiert werden.
3. Optical Character Recognition
Zur inhaltlichen Erschließung werden Bilder in Texte umgewandelt. Es gibt außerdem Schnittstellen zu anderen OCR-Engines wie Tesseract, Abbyy FineReader und OmniPage.
Ziel: Erkennen der Schriftart (Antiqua vs. Fraktur)
Vorteil: Auch historische Dokumente mit gemischten Fonts können automatisiert erschlossen werden.
Ziel: Umwandeln von Graustufenbildpunkten in Textinfo
Vorteil: Eine der besten verfügbaren OCR Engines. Und dank modernster Deep Learning-Technologie individuell trainierbar auf spezifische Dokumente.
Ziel: Umwandeln von Videomaterial in Textinfo
Vorteil: Extraktion von Texten aus Videos. Noch nie waren Videos einfacher durchsuchbar.
4. Klassifikation
Dokumente werden mithilfe von probabilistischen Modellen den entsprechenden Dokumentklassen zugeordnet. Dokumentklassen werden individuell festgelegt und Modelle für die Klassen trainiert.
Ziel: Nutzen der Merkmale zum Training des Modells
Vorteil: Eingangspost sortieren? Formulare erkennen? Unternehmensbilanzen klassifizieren? Mit der Merkmalsextraktion können die passenden Features für den Anwendungsfall generiert werden.
Ziel: Ermitteln der Dokumentart
Vorteil: Nie wieder Dokumente per Hand sortieren. Dank der Klassifikation können Dokumente direkt an den richtigen Ansprechpartner weitergeleitet oder richtig abgelegt werden.
Individuelle Entwicklungswünsche
Sie haben spezifische Herausforderungen, wünschen sich ein weiteres Modul oder Feature?
Sprechen Sie uns darauf an.
