Bagaimana AI membaca PDF Anda (dan mengapa teks yang dapat diekstrak itu penting)

Anda menempelkan sebuah PDF ke alat AI dan memintanya merangkum. Kadang Anda mendapat jawaban yang tajam. Kadang Anda mendapat omong kosong, atau jawaban datar “saya tidak bisa membaca berkas ini.” Alat yang sama, perintah yang sama. Perbedaannya hampir tidak pernah terletak pada AI-nya. Letaknya pada PDF itu sendiri.

Sebuah PDF tidak selalu seperti yang terlihat

Buka dua PDF berdampingan dan keduanya bisa tampak identik di layar. Di baliknya, keduanya bisa dibangun dengan dua cara yang sama sekali berbeda.

Yang satu memiliki lapisan teks. Ia diekspor dari editor dokumen, sebuah browser, aplikasi penagihan, apa pun yang bersifat digital. Hurufnya tersimpan sebagai karakter. Berkas itu tahu bahwa kata “total” berada di pojok kanan bawah. Anda bisa menyeleksinya, menyalinnya, mencarinya.

Yang lain adalah gambar dari sebuah halaman. Seseorang memindai selembar kertas atau memotret dengan ponsel lalu menyimpan gambar itu di dalam sebuah PDF. Mata Anda membacanya dengan baik. Bagi perangkat lunak, itu adalah kisi piksel berbentuk huruf, tanpa huruf di dalamnya. Tidak ada yang bisa diseleksi. Tidak ada yang bisa dicari.

Tes cepat: seret kursor Anda melintasi sebuah kata. Jika kata itu tersorot, berarti teksnya asli. Jika Anda mendapat kotak yang menutupi seluruh halaman seolah Anda meraih sebuah gambar, berarti yang Anda punya adalah hasil pindaian.

Apa yang sebenarnya dilihat AI

Inilah bagian yang luput diperhatikan orang. Sebagian besar model bahasa membaca PDF dengan menarik keluar lapisan teksnya. Itulah jalur yang murah, cepat, dan akurat, dan itulah jalur yang berjalan secara baku di banyak alat. Jika lapisan teksnya ada, model itu mendapat kata-kata yang bersih dan memberi Anda jawaban yang baik.

Jika tidak ada lapisan teks, model itu tidak mendapat apa pun dari jalur tersebut. Foto sebuah kontrak menyerahkan nol karakter kepadanya. Beberapa alat kemudian beralih ke menjalankan gambar itu melalui penglihatan (vision), yang bisa berhasil, tetapi lebih lambat, lebih mahal, dan menebak-nebak pada pindaian yang berantakan. Banyak alat melewati cadangan ini dan sekadar memberi tahu Anda bahwa berkas itu kosong.

Jadi kualitas jawaban AI tentang PDF Anda sering kali bergantung pada satu hal: apakah ada teks asli untuk dibaca, atau apakah model itu harus menyipitkan mata pada sebuah gambar.

Mesin pencari melakukan hal yang sama

Ini bukan hanya masalah AI. Ketika sebuah mesin pencari mengindeks PDF di situs Anda, ia membaca lapisan teksnya. Brosur hasil pindaian tanpa lapisan teks nyaris tak terlihat olehnya. Halaman itu bisa jadi tidak masuk peringkat untuk apa pun karena tidak ada yang bisa diindeks. PDF dengan teks yang dapat diseleksi, judul, dan urutan baca yang masuk akal akan terindeks dengan benar dan benar-benar bisa muncul ketika seseorang mencari isi di dalamnya.

Pembaca layar (screen reader) bekerja dari lapisan yang sama. Pengguna tunanetra yang menjalankan perangkat lunak bantu mendengar teks yang ditampilkan oleh PDF itu. Gambar murni tidak menampilkan apa pun, jadi ia membacakan keheningan. Teks asli, dengan struktur, itulah yang membuat dokumen berfungsi bagi orang yang memakai pembaca layar maupun bagi mesin yang membacanya dalam skala besar. Solusi yang sama, dua audiens.

Apa arti “dibuat dengan baik”

PDF yang terbaca dengan baik oleh AI, oleh pencarian, dan oleh pembaca layar cenderung memiliki tiga hal.

Teks asli yang dapat diseleksi. Berkas yang lahir-digital sudah memiliki ini. Hasil pindaian tidak, sampai Anda memperbaikinya.

Struktur. Judul yang ditandai sebagai judul, urutan baca yang logis, tabel yang benar-benar berupa tabel. Inilah yang memungkinkan sebuah model dan pembaca layar mengikuti dokumen alih-alih mendapat dinding kata yang berserakan.

Stabilitas dari waktu ke waktu. Berkas PDF/A menyematkan fontnya dan menghapus ketergantungan eksternal, sehingga teksnya tetap dapat diekstrak bertahun-tahun ke depan, di perangkat lunak yang bahkan belum ada. Bagus untuk arsip, bagus untuk apa pun yang Anda ingin tetap terbaca oleh mesin kelak.

Cara memperbaiki PDF agar AI bisa membacanya

Jika berkas Anda lahir-digital dan Anda sudah bisa menyeleksi teksnya, Anda selesai. Berkas itu akan terbaca dengan baik. Pekerjaan baru dimulai ketika teksnya terperangkap di dalam sebuah gambar.

Untuk dokumen hasil pindaian, jalankan OCR. Optical Character Recognition melihat gambar itu, menemukan bentuk-bentuk huruf, dan menuliskan teks asli kembali ke dalam PDF, terselip di belakang gambar tempat Anda tidak bisa melihatnya. Halaman itu tampak sama. Sudut yang miring dan noda kopi tetap ada. Tetapi kini ada lapisan teks di bawahnya, sehingga AI bisa membacanya, pencarian bisa mengindeksnya, pembaca layar bisa mengucapkannya. Anda bisa melakukannya dengan OCR PDF.

Jika Anda hanya perlu mengeluarkan kata-kata dari sebuah PDF untuk ditempelkan ke sebuah model, sebuah email, atau aplikasi catatan, tarik teksnya langsung dengan ekstrak teks PDF. Anda mendapat isinya sebagai teks biasa, siap diserahkan ke apa pun yang membutuhkannya.

Keduanya berjalan di dalam browser Anda di reader.me. PDF itu tidak pernah diunggah. Hal ini lebih penting di sini daripada biasanya, karena dokumen yang paling ingin dibaca orang lewat AI justru yang bersifat pribadi. Kontrak, surat medis, rekening koran, apa pun yang memuat sebuah nama dan sebuah nomor. Mengirim dokumen-dokumen itu ke server orang lain agar bisa dibaca mesin adalah pertukaran yang aneh. Di reader.me Anda melewatkannya. Halaman itu yang mengerjakan tugasnya dan berkasnya tetap di mesin Anda.

Versi singkatnya

AI dan pencarian tidak melihat PDF Anda sebagaimana Anda melihatnya. Mereka membaca lapisan teksnya. Jika lapisan itu ada, Anda mendapat jawaban yang baik dan pengindeksan yang benar. Jika tidak, Anda mendapat tebakan atau keheningan. Berkas yang lahir-digital sudah memilikinya. Hasil pindaian butuh OCR. Bagaimanapun caranya, solusinya hanya butuh semenit, dan di reader.me hal itu terjadi tanpa berkas Anda pernah meninggalkan tangan Anda.