AI đọc PDF của bạn như thế nào (và vì sao văn bản trích xuất được lại quan trọng)

Bạn dán một PDF vào một công cụ AI và yêu cầu nó tóm tắt. Đôi khi bạn nhận được một câu trả lời sắc bén. Đôi khi bạn nhận được những thứ vô nghĩa, hoặc một câu cụt lủn “tôi không đọc được tệp này.” Cùng một công cụ, cùng một câu lệnh. Khác biệt gần như không bao giờ nằm ở AI. Nó nằm ở PDF.

Một PDF không phải lúc nào cũng đúng như vẻ ngoài

Hãy mở hai PDF cạnh nhau và chúng có thể trông y hệt nhau trên màn hình. Bên dưới, chúng có thể được dựng nên theo hai cách hoàn toàn khác nhau.

Một tệp có lớp văn bản. Nó được xuất ra từ một trình soạn thảo tài liệu, một trình duyệt, một ứng dụng xuất hóa đơn, bất cứ thứ gì thuộc về kỹ thuật số. Các con chữ được lưu dưới dạng ký tự. Tệp biết rằng từ “tổng cộng” nằm ở góc dưới bên phải. Bạn có thể bôi chọn nó, sao chép nó, tìm kiếm nó.

Tệp kia là một bức ảnh chụp một trang giấy. Ai đó đã quét một tờ giấy hoặc chụp ảnh bằng điện thoại rồi lưu hình ảnh đó vào bên trong một PDF. Mắt bạn đọc nó vẫn ổn. Nhưng với phần mềm thì đó là một lưới các điểm ảnh có hình dạng giống chữ cái, mà bên trong không hề có chữ cái nào. Chẳng có gì để bôi chọn. Chẳng có gì để tìm kiếm.

Cách thử nhanh: kéo con trỏ ngang qua một từ. Nếu nó được tô sáng, văn bản là thật. Nếu bạn nhận được một khung phủ lên cả trang như thể bạn vừa tóm lấy một hình ảnh, thì bạn đang có một bản scan.

AI thật ra nhìn thấy gì

Đây là phần mọi người bỏ sót. Phần lớn các mô hình ngôn ngữ đọc một PDF bằng cách rút lớp văn bản của nó ra. Đó là con đường rẻ, nhanh, chính xác, và là con đường chạy mặc định trong rất nhiều công cụ. Nếu lớp văn bản có ở đó, mô hình nhận được những từ ngữ sạch sẽ và cho bạn một câu trả lời tốt.

Nếu không có lớp văn bản, mô hình chẳng nhận được gì từ con đường đó. Một bức ảnh chụp hợp đồng trao cho nó số không ký tự. Một số công cụ khi đó sẽ chuyển sang phương án dự phòng là chạy hình ảnh qua thị giác máy, cách này có thể được, nhưng nó chậm hơn, tốn kém hơn, và phải đoán mò với những bản scan lộn xộn. Khối công cụ thì bỏ qua luôn phương án dự phòng và chỉ báo cho bạn rằng tệp trống rỗng.

Vậy nên chất lượng câu trả lời của AI về PDF của bạn thường quy về một điều: có văn bản thật để đọc hay không, hay là mô hình đã phải nheo mắt nhìn một bức ảnh.

Công cụ tìm kiếm cũng làm điều tương tự

Đây không chỉ là vấn đề của AI. Khi một công cụ tìm kiếm lập chỉ mục một PDF trên trang web của bạn, nó đọc lớp văn bản. Một tờ rơi đã quét mà không có lớp văn bản gần như vô hình với nó. Trang đó có thể chẳng xếp hạng cho từ khóa nào, vì chẳng có gì để lập chỉ mục. Một PDF có văn bản bôi chọn được, có tiêu đề, và có thứ tự đọc hợp lý sẽ được lập chỉ mục đúng cách và thực sự có thể hiển thị khi ai đó tìm kiếm thứ nằm bên trong nó.

Trình đọc màn hình cũng dựa trên đúng lớp đó. Một người dùng khiếm thị chạy phần mềm hỗ trợ sẽ nghe được phần văn bản mà PDF phơi bày ra. Một hình ảnh thuần túy chẳng phơi bày gì cả, nên nó đọc lên sự im lặng. Văn bản thật, có cấu trúc, là thứ khiến tài liệu hoạt động cho một con người dùng trình đọc màn hình và cho một cỗ máy đọc nó ở quy mô lớn. Cùng một cách khắc phục, hai nhóm đối tượng.

”Làm tốt” nghĩa là gì

Một PDF được AI, được công cụ tìm kiếm và được trình đọc màn hình đọc tốt thường có ba thứ.

Văn bản thật, bôi chọn được. Các tệp sinh ra từ kỹ thuật số đã có sẵn điều này. Bản scan thì không, cho tới khi bạn khắc phục nó.

Cấu trúc. Tiêu đề được đánh dấu là tiêu đề, một thứ tự đọc hợp lý, các bảng thực sự là bảng. Đây là thứ cho phép một mô hình và một trình đọc màn hình lần theo tài liệu thay vì nhận được một bức tường chữ rời rạc.

Sự ổn định theo thời gian. Một tệp PDF/A nhúng các phông chữ của nó và bỏ đi các phụ thuộc bên ngoài, nhờ vậy văn bản vẫn trích xuất được sau nhiều năm, trong những phần mềm còn chưa tồn tại. Tốt cho lưu trữ, tốt cho bất cứ thứ gì bạn muốn một cỗ máy vẫn đọc được sau này.

Cách sửa một PDF để AI đọc được nó

Nếu tệp của bạn sinh ra từ kỹ thuật số và bạn đã bôi chọn được văn bản, thì bạn xong rồi. Nó sẽ đọc ngon lành. Công việc chỉ bắt đầu khi văn bản bị mắc kẹt trong một hình ảnh.

Với một tài liệu đã quét, hãy chạy OCR. Nhận dạng ký tự quang học nhìn vào bức ảnh, tìm ra các hình dạng chữ cái, rồi viết văn bản thật trở lại vào PDF, giấu phía sau hình ảnh nơi bạn không nhìn thấy. Trang giấy trông vẫn y nguyên. Góc nghiêng và vết cà phê vẫn còn đó. Nhưng giờ đã có một lớp văn bản nằm bên dưới, nên AI có thể đọc nó, công cụ tìm kiếm có thể lập chỉ mục nó, một trình đọc màn hình có thể đọc nó lên thành tiếng. Bạn có thể làm điều đó với công cụ OCR cho PDF.

Nếu bạn chỉ cần lấy chữ ra khỏi một PDF để dán vào một mô hình, một email, hay một ứng dụng ghi chú, hãy rút văn bản trực tiếp bằng công cụ trích xuất văn bản PDF. Bạn nhận được nội dung dưới dạng văn bản thuần, sẵn sàng giao cho bất cứ thứ gì cần đến nó.

Cả hai đều chạy bên trong trình duyệt của bạn trên reader.me. PDF không bao giờ bị tải lên. Điều đó ở đây quan trọng hơn bình thường, vì những tài liệu mà người ta muốn AI đọc nhất lại chính là những tài liệu riêng tư. Hợp đồng, thư của bác sĩ, sao kê, bất cứ thứ gì có một cái tên và một con số trên đó. Gửi những thứ ấy tới máy chủ của người khác để biến chúng thành thứ máy đọc được là một sự đánh đổi kỳ lạ. Trên reader.me bạn bỏ qua được khâu đó. Trang web làm việc và tệp ở lại trên máy của bạn.

Tóm gọn

AI và công cụ tìm kiếm không nhìn PDF của bạn theo cách bạn nhìn. Chúng đọc lớp văn bản của nó. Nếu lớp đó tồn tại, bạn nhận được câu trả lời tốt và sự lập chỉ mục đúng đắn. Nếu không, bạn nhận được những phỏng đoán hoặc sự im lặng. Các tệp sinh ra từ kỹ thuật số đã có sẵn nó. Bản scan thì cần OCR. Dù bằng cách nào, việc khắc phục cũng chỉ mất một phút, và trên reader.me nó diễn ra mà tệp của bạn không hề rời khỏi tay bạn.