Πώς το AI διαβάζει τα PDF σας (και γιατί έχει σημασία το εξαγώγιμο κείμενο)

Επικολλάτε ένα PDF σε ένα εργαλείο AI και του ζητάτε να το συνοψίσει. Κάποιες φορές παίρνετε μια οξυδερκή απάντηση. Άλλες φορές παίρνετε ασυναρτησίες ή ένα ξερό «δεν μπορώ να διαβάσω αυτό το αρχείο». Ίδιο εργαλείο, ίδιο prompt. Η διαφορά σχεδόν ποτέ δεν είναι το AI. Είναι το PDF.

Ένα PDF δεν είναι πάντα αυτό που δείχνει

Ανοίξτε δύο PDF το ένα δίπλα στο άλλο και μπορεί να φαίνονται πανομοιότυπα στην οθόνη. Από κάτω μπορεί να είναι φτιαγμένα με δύο εντελώς διαφορετικούς τρόπους.

Το ένα έχει ένα επίπεδο κειμένου. Εξήχθη από έναν επεξεργαστή εγγράφων, ένα πρόγραμμα περιήγησης, μια εφαρμογή τιμολόγησης, οτιδήποτε ψηφιακό. Τα γράμματα αποθηκεύονται ως χαρακτήρες. Το αρχείο ξέρει ότι η λέξη «σύνολο» βρίσκεται κάτω δεξιά. Μπορείτε να την επιλέξετε, να την αντιγράψετε, να την αναζητήσετε.

Το άλλο είναι μια εικόνα μιας σελίδας. Κάποιος σάρωσε ένα χαρτί ή τράβηξε μια φωτογραφία με το κινητό και αποθήκευσε εκείνη την εικόνα μέσα σε ένα PDF. Τα μάτια σας το διαβάζουν μια χαρά. Για το λογισμικό είναι ένα πλέγμα από pixel σε σχήμα γραμμάτων, χωρίς γράμματα μέσα. Τίποτα να επιλέξετε. Τίποτα να αναζητήσετε.

Γρήγορη δοκιμή: σύρετε τον κέρσορα πάνω από μια λέξη. Αν επισημανθεί, το κείμενο είναι πραγματικό. Αν πάρετε ένα πλαίσιο πάνω από όλη τη σελίδα σαν να πιάσατε μια εικόνα, έχετε μια σάρωση.

Τι βλέπει πραγματικά το AI

Εδώ είναι το κομμάτι που οι άνθρωποι παραβλέπουν. Τα περισσότερα γλωσσικά μοντέλα διαβάζουν ένα PDF τραβώντας έξω το επίπεδο κειμένου του. Αυτή είναι η φθηνή, γρήγορη, ακριβής διαδρομή, και είναι εκείνη που τρέχει από προεπιλογή σε πολλά εργαλεία. Αν το επίπεδο κειμένου είναι εκεί, το μοντέλο παίρνει καθαρές λέξεις και σας δίνει μια καλή απάντηση.

Αν δεν υπάρχει επίπεδο κειμένου, το μοντέλο δεν παίρνει τίποτα από αυτή τη διαδρομή. Μια φωτογραφία μιας σύμβασης του δίνει μηδέν χαρακτήρες. Κάποια εργαλεία τότε καταφεύγουν στο να περάσουν την εικόνα μέσα από όραση μηχανής, που μπορεί να λειτουργήσει, αλλά είναι πιο αργό, κοστίζει περισσότερο και μαντεύει σε ακατάστατες σαρώσεις. Πολλά εργαλεία παρακάμπτουν αυτή την εναλλακτική και απλώς σας λένε ότι το αρχείο είναι κενό.

Έτσι, η ποιότητα μιας απάντησης του AI για το PDF σας συχνά καταλήγει σε ένα πράγμα: υπήρχε πραγματικό κείμενο για να διαβαστεί, ή χρειάστηκε το μοντέλο να στραβοκοιτάξει μια εικόνα.

Οι μηχανές αναζήτησης κάνουν το ίδιο πράγμα

Αυτό δεν είναι μόνο πρόβλημα του AI. Όταν μια μηχανή αναζήτησης ευρετηριάζει ένα PDF στον ιστότοπό σας, διαβάζει το επίπεδο κειμένου. Ένα σαρωμένο φυλλάδιο χωρίς επίπεδο κειμένου είναι σχεδόν αόρατο για αυτήν. Η σελίδα μπορεί να μην κατατάσσεται για τίποτα, επειδή δεν υπάρχει τίποτα να ευρετηριαστεί. Ένα PDF με επιλέξιμο κείμενο, επικεφαλίδες και λογική σειρά ανάγνωσης ευρετηριάζεται σωστά και μπορεί όντως να εμφανιστεί όταν κάποιος αναζητά αυτό που περιέχει.

Οι αναγνώστες οθόνης δουλεύουν πάνω στο ίδιο επίπεδο. Ένας τυφλός χρήστης που τρέχει υποστηρικτικό λογισμικό ακούει το κείμενο που εκθέτει το PDF. Μια καθαρή εικόνα δεν εκθέτει κανένα, οπότε διαβάζει σιωπή. Το πραγματικό κείμενο, με δομή, είναι αυτό που κάνει το έγγραφο να λειτουργεί για ένα άτομο που χρησιμοποιεί αναγνώστη οθόνης και για μια μηχανή που το διαβάζει σε κλίμακα. Ίδια λύση, δύο κοινά.

Τι σημαίνει «καλοφτιαγμένο»

Ένα PDF που διαβάζεται καλά από το AI, από την αναζήτηση και από τους αναγνώστες οθόνης τείνει να έχει τρία πράγματα.

Πραγματικό, επιλέξιμο κείμενο. Τα ψηφιακά εκ γενετής αρχεία το έχουν ήδη. Οι σαρώσεις δεν το έχουν, μέχρι να το διορθώσετε.

Δομή. Επικεφαλίδες σημειωμένες ως επικεφαλίδες, μια λογική σειρά ανάγνωσης, πίνακες που είναι πραγματικά πίνακες. Αυτό είναι που επιτρέπει σε ένα μοντέλο και σε έναν αναγνώστη οθόνης να ακολουθήσουν το έγγραφο αντί να πάρουν έναν τοίχο από ασύνδετες λέξεις.

Σταθερότητα στον χρόνο. Ένα αρχείο PDF/A ενσωματώνει τις γραμματοσειρές του και εγκαταλείπει τις εξωτερικές εξαρτήσεις, ώστε το κείμενο να παραμένει εξαγώγιμο χρόνια από τώρα, σε λογισμικό που δεν υπάρχει ακόμη. Καλό για αρχεία, καλό για οτιδήποτε θέλετε να μπορεί ακόμη να διαβάσει μια μηχανή αργότερα.

Πώς να διορθώσετε ένα PDF ώστε να το διαβάζει το AI

Αν το αρχείο σας είναι ψηφιακό εκ γενετής και μπορείτε ήδη να επιλέξετε το κείμενο, τελειώσατε. Θα διαβαστεί μια χαρά. Η δουλειά αρχίζει μόνο όταν το κείμενο είναι παγιδευμένο μέσα σε μια εικόνα.

Για ένα σαρωμένο έγγραφο, εκτελέστε OCR. Η Οπτική Αναγνώριση Χαρακτήρων κοιτάζει την εικόνα, εντοπίζει τα σχήματα των γραμμάτων και γράφει το πραγματικό κείμενο πίσω στο PDF, κρυμμένο πίσω από την εικόνα όπου δεν μπορείτε να το δείτε. Η σελίδα φαίνεται ίδια. Η στραβή γωνία και ο λεκές του καφέ μένουν. Αλλά τώρα υπάρχει ένα επίπεδο κειμένου από κάτω, οπότε το AI μπορεί να το διαβάσει, η αναζήτηση μπορεί να το ευρετηριάσει, ένας αναγνώστης οθόνης μπορεί να το εκφωνήσει. Μπορείτε να το κάνετε αυτό με το εργαλείο OCR για PDF.

Αν απλώς χρειάζεστε τις λέξεις από ένα PDF για να τις επικολλήσετε σε ένα μοντέλο, ένα email ή μια εφαρμογή σημειώσεων, τραβήξτε το κείμενο απευθείας με το εργαλείο εξαγωγής κειμένου από PDF. Παίρνετε το περιεχόμενο ως απλό κείμενο, έτοιμο να το δώσετε σε οτιδήποτε το χρειάζεται.

Και τα δύο τρέχουν μέσα στο πρόγραμμα περιήγησής σας στο reader.me. Το PDF δεν ανεβαίνει ποτέ. Αυτό έχει εδώ μεγαλύτερη σημασία από το συνηθισμένο, επειδή τα έγγραφα που οι άνθρωποι θέλουν περισσότερο να διαβάσει ένα AI είναι τα ιδιωτικά. Συμβάσεις, ιατρικές επιστολές, εκκαθαριστικά, οτιδήποτε με ένα όνομα και έναν αριθμό πάνω του. Το να τα στέλνετε στον διακομιστή κάποιου άλλου για να γίνουν αναγνώσιμα από μηχανή είναι μια παράξενη ανταλλαγή. Στο reader.me την παρακάμπτετε. Η σελίδα κάνει τη δουλειά και το αρχείο μένει στο μηχάνημά σας.

Η σύντομη εκδοχή

Το AI και η αναζήτηση δεν βλέπουν το PDF σας όπως εσείς. Διαβάζουν το επίπεδο κειμένου του. Αν αυτό το επίπεδο υπάρχει, παίρνετε καλές απαντήσεις και σωστή ευρετηρίαση. Αν δεν υπάρχει, παίρνετε εικασίες ή σιωπή. Τα ψηφιακά εκ γενετής αρχεία το έχουν ήδη. Οι σαρώσεις χρειάζονται OCR. Είτε έτσι είτε αλλιώς, η διόρθωση παίρνει ένα λεπτό, και στο reader.me συμβαίνει χωρίς το αρχείο σας να φύγει ποτέ από τα χέρια σας.