Bagaimana AI membaca PDF anda (dan mengapa teks yang boleh diekstrak itu penting)

Anda tampal sekeping PDF ke dalam alat AI dan meminta ia membuat ringkasan. Kadangkala anda dapat jawapan yang tajam. Kadangkala anda dapat karut, atau jawapan datar “Saya tidak boleh membaca fail ini.” Alat yang sama, gesaan yang sama. Perbezaannya hampir tidak pernah pada AI. Ia pada PDF.

PDF tidak selalu seperti yang kelihatan

Buka dua PDF bersebelahan dan ia boleh kelihatan serupa pada skrin. Di sebaliknya, ia boleh dibina dengan dua cara yang sama sekali berbeza.

Yang satu ada lapisan teks. Ia dieksport daripada penyunting dokumen, pelayar, aplikasi pengeluaran invois, apa sahaja yang digital. Huruf-huruf disimpan sebagai aksara. Fail itu tahu perkataan “jumlah” terletak di bahagian kanan bawah. Anda boleh memilihnya, menyalinnya, mencarinya.

Yang satu lagi ialah gambar sebuah halaman. Seseorang mengimbas kertas atau mengambil foto telefon dan menyimpan imej itu di dalam PDF. Mata anda membacanya dengan baik. Bagi perisian, ia adalah grid piksel berbentuk huruf, tanpa sebarang huruf di dalamnya. Tiada apa untuk dipilih. Tiada apa untuk dicari.

Ujian cepat: seret kursor anda merentasi sepatah perkataan. Jika ia diserlahkan, teks itu sebenar. Jika anda dapat kotak yang menutupi seluruh halaman seperti anda menggenggam sebuah imej, anda ada satu imbasan.

Apa yang AI sebenarnya lihat

Inilah bahagian yang terlepas pandang oleh orang ramai. Kebanyakan model bahasa membaca PDF dengan menarik keluar lapisan teksnya. Itu jalan yang murah, pantas, tepat, dan itulah yang berjalan secara lalai dalam banyak alat. Jika lapisan teks itu ada, model dapat perkataan yang bersih dan memberi anda jawapan yang baik.

Jika tiada lapisan teks, model tidak dapat apa-apa daripada jalan itu. Foto sebuah kontrak menyerahkan kepadanya sifar aksara. Sesetengah alat kemudian beralih kepada menjalankan imej itu melalui penglihatan, yang boleh berfungsi, tetapi ia lebih perlahan, ia lebih mahal, dan ia meneka pada imbasan yang berselerak. Banyak alat melangkau alternatif itu dan hanya memberitahu anda fail itu kosong.

Jadi kualiti jawapan AI tentang PDF anda sering bergantung pada satu perkara: adakah ada teks sebenar untuk dibaca, atau model itu terpaksa menjeling pada gambar.

Enjin carian melakukan perkara yang sama

Ini bukan masalah AI sahaja. Apabila enjin carian mengindeks PDF di laman anda, ia membaca lapisan teks. Sebuah risalah yang diimbas tanpa lapisan teks hampir tidak kelihatan kepadanya. Halaman itu mungkin tidak mendapat kedudukan untuk apa-apa kerana tiada apa untuk diindeks. PDF dengan teks yang boleh dipilih, tajuk, dan susunan bacaan yang munasabah diindeks dengan betul dan benar-benar boleh muncul apabila seseorang mencari apa yang ada di dalamnya.

Pembaca skrin berfungsi atas lapisan yang sama. Pengguna buta yang menjalankan perisian bantuan mendengar teks yang didedahkan oleh PDF. Imej tulen tidak mendedahkan apa-apa, jadi ia membaca kesunyian. Teks sebenar, dengan struktur, itulah yang menjadikan dokumen berfungsi untuk seseorang yang menggunakan pembaca skrin dan untuk mesin yang membacanya secara besar-besaran. Penyelesaian yang sama, dua hadirin.

Apa maksud “dibuat dengan baik”

PDF yang dibaca dengan baik oleh AI, oleh carian, dan oleh pembaca skrin cenderung mempunyai tiga perkara.

Teks sebenar yang boleh dipilih. Fail yang lahir-digital sudah ada ini. Imbasan tidak, sehingga anda membetulkannya.

Struktur. Tajuk ditanda sebagai tajuk, susunan bacaan yang logik, jadual yang benar-benar jadual. Inilah yang membolehkan model dan pembaca skrin mengikuti dokumen dan bukannya mendapat dinding perkataan yang berselerak.

Kestabilan sepanjang masa. Fail PDF/A membenamkan fontnya dan membuang kebergantungan luaran, jadi teks kekal boleh diekstrak bertahun-tahun dari sekarang, dalam perisian yang belum wujud lagi. Bagus untuk arkib, bagus untuk apa sahaja yang anda mahu mesin masih boleh baca kemudian.

Cara membetulkan PDF supaya AI membacanya

Jika fail anda lahir-digital dan anda sudah boleh memilih teksnya, anda sudah selesai. Ia akan dibaca dengan baik. Kerja hanya bermula apabila teks terperangkap dalam imej.

Untuk dokumen yang diimbas, jalankan OCR. Optical Character Recognition melihat gambar itu, mencari bentuk huruf, dan menulis teks sebenar kembali ke dalam PDF, terselit di sebalik imej di mana anda tidak boleh melihatnya. Halaman itu kelihatan sama. Sudut yang senget dan kesan kopi kekal. Tetapi kini ada lapisan teks di bawah, jadi AI boleh membacanya, carian boleh mengindeksnya, pembaca skrin boleh menuturkannya. Anda boleh lakukan itu dengan alat OCR PDF kami.

Jika anda hanya perlu perkataan keluar daripada PDF untuk ditampal ke dalam model, e-mel, atau aplikasi nota, tarik teks itu terus dengan alat ekstrak teks PDF. Anda dapat kandungan itu sebagai teks biasa, sedia untuk diserahkan kepada apa sahaja yang memerlukannya.

Kedua-duanya berjalan di dalam pelayar anda pada reader.me. PDF itu tidak pernah dimuat naik. Itu lebih penting di sini berbanding biasa, kerana dokumen yang orang paling mahu AI baca ialah yang peribadi. Kontrak, surat perubatan, penyata, apa sahaja yang ada nama dan nombor padanya. Menghantar dokumen itu ke pelayan orang lain untuk menjadikannya boleh dibaca mesin adalah pertukaran yang pelik. Pada reader.me anda melangkaunya. Halaman itu melakukan kerja dan fail kekal pada mesin anda.

Versi ringkas

AI dan carian tidak melihat PDF anda seperti anda melihatnya. Ia membaca lapisan teksnya. Jika lapisan itu wujud, anda dapat jawapan yang baik dan pengindeksan yang betul. Jika tidak, anda dapat tekaan atau kesunyian. Fail lahir-digital sudah memilikinya. Imbasan memerlukan OCR. Apa pun jalannya, penyelesaian itu mengambil masa seminit, dan pada reader.me ia berlaku tanpa fail anda pernah meninggalkan tangan anda.