लोग OCR से असल में जो-जो काम कराते हैं

रोज़मर्रा वाला काम। किसी ने स्कैन या लॉक किया हुआ PDF भेज दिया, और अब आपको उसे एडिट करना है, भरना है, अनुवाद करना है या आधा हिस्सा दोबारा इस्तेमाल करना है। आपको टेक्स्ट नहीं चाहिए — आपको वही डॉक्युमेंट चाहिए, बस एडिट होने लायक़।

• कॉलम, टेबल, इंडेंट और तस्वीरें अपनी जगह पर बनी रहती हैं
• ऐसे तैरते टेक्स्ट बॉक्स नहीं, जो टाइप करते ही बिखर जाएँ
• फ़ॉन्ट और स्पेसिंग बदले नहीं जाते, वैसे ही रखे जाते हैं
• सिर्फ़ साफ़ स्कैन ही नहीं, पेज की खींची हुई तस्वीरों पर भी चलता है

फ़ारसी कन्वर्ज़न की बहुत बड़ी माँग स्कैन की होती ही नहीं। वह पुराने टूल से बने डिजिटल PDF की होती है, जिनका टेक्स्ट कॉपी करते ही टूटे हुए, बेमतलब अक्षरों में बदल जाता है। लोग बिलकुल ठीक-ठाक पेज की तस्वीर सिर्फ़ इसलिए खींचते हैं कि पढ़ने लायक़ टेक्स्ट वापस मिल जाए।

• हम बिगड़ी हुई टेक्स्ट लेयर पर भरोसा करने के बजाय पेज को वैसे पढ़ते हैं जैसे वह छपा है
• हाफ़-स्पेस अंदाज़े से नहीं, नाप कर दोबारा बनाए जाते हैं
• फ़ारसी अंक और विराम-चिह्न हूबहू बने रहते हैं
• एक-एक पेज की तस्वीर खींचने से तेज़ भी, सस्ता भी

सालों के पुराने पेपर को एडिट और आगे-पीछे होने लायक़ सवालों में बदल दीजिए — इक्वेशन, ज्यामिति की आकृतियाँ, विकल्पों का लेआउट, आंसर की और मार्किंग स्कीम सब सलामत — ताकि उन्हें नए पेपर में दोबारा जमाया जा सके और टॉपिक के हिसाब से टैग किया जा सके।

• इक्वेशन असली, एडिट होने लायक़ Word इक्वेशन बनती हैं
• आकृतियाँ वेक्टर शेप में दोबारा बनती हैं, जिन्हें शिक्षक ख़ुद बदल सकता है
• सवालों की नंबरिंग ठीक वैसी ही, जैसी छपी थी
• चाहें तो आइटम बैंक के लिए हर सवाल का अलग JSON

इंजीनियरिंग और साइंस के लेक्चर नोट्स दोबारा टाइप कराना सबसे महँगा सौदा है, क्योंकि टाइपिस्ट हर फ़ॉर्मूले और हर टेबल का पैसा अलग से लेते हैं। हाथ से होने वाला पूरा खर्च यहीं इकट्ठा होता है।

• हर फ़ॉर्मूला भेजने से पहले कंपाइल करके साबित किया जाता है कि वह सही है
• टेबल तस्वीर नहीं, असली टेबल बनकर आती हैं
• फ़ारसी और अंग्रेज़ी मिली-जुली हों, तो भी एक ही बार में
• पेज की सीमाएँ बनी रहती हैं, इसलिए लेक्चर के हवाले आज भी काम करते हैं

बैलेंस शीट, मार्कशीट, प्राइस लिस्ट, लैब रिपोर्ट, जनगणना की शीट — पूरी बात ही टेबल में होती है, और आम OCR सबसे पहले उसी को सपाट कर देता है।

• मर्ज की हुई सेल और कई पेज तक फैली टेबल दोबारा जोड़ी जाती हैं
• अंक अपने मूल रूप में — फ़ारसी, अरबी-हिन्दी या रोमन
• कॉलम की सीध सजावट नहीं, सबूत मानी जाती है
• हर सेल का कॉन्फ़िडेंस, ताकि पता रहे कहाँ जाँचना है

सरकारी अनुवाद को मूल पेज की हूबहू नक़ल होना पड़ता है: वही मुहरें, वही नंबरों की टेबल, वही दस्तख़त वाले खाने। अनुवादक आज भी अनुवाद शुरू करने से पहले यह पूरा लेआउट हाथ से दोबारा बनाते हैं।

• देखने में हूबहू नक़ल, पर टेक्स्ट एडिट होने लायक़ — वहीं का वहीं अनुवाद कीजिए
• फ़ारसी अंकों वाली ठसाठस भरी नंबर-टेबल हूबहू वैसी ही
• मुहरें और लोगो साफ़ कटे हुए टुकड़ों की तरह अपनी जगह पर
• प्रमाणन के लिए पेज दर पेज मिलान

इन विषयों में पेज नंबर सजावट नहीं, वैधता की शर्त है: हवाले जिल्द और पेज से दिए जाते हैं। जिस टेक्स्ट की पेज-सीमाएँ खो जाएँ, वह हवाला देने वाले शोधकर्ता के किसी काम का नहीं।

• जिल्द, पेज और पंक्ति — हवाला देने लायक़ निर्देशांक की तरह सुरक्षित
• ज़ेर-ज़बर हूबहू वैसे ही — न कोई जोड़ा जाता है, न हटाया
• अरबी और फ़ारसी अक्षर-रूप चुपचाप कभी नहीं बदले जाते
• हाशिये की टिप्पणियाँ मूल पाठ में मिलाई नहीं जातीं, जुड़ी हुई टिप्पणियों की तरह रहती हैं

हाथ की लिखावट उतारने में छपी हुई सामग्री से दस से बीस गुना खर्च आता है, और फ़ारसी या अरबी पांडुलिपियों की लिखावट के लिए कोई ढंग का व्यावसायिक टूल है ही नहीं। पूरे बाज़ार में सबसे बड़ी खाली जगह यही है।

• दो स्वतंत्र रीडिंग, और हर मतभेद सामने रखा हुआ
• जहाँ पक्का नहीं, वहाँ मनगढ़ंत भरने के बजाय इंसान के लिए निशान
• हर पंक्ति के निर्देशांक, सीधे मूल इमेज तक
• दो प्रतियाँ दीजिए, तो पाठ-भेद का अपैरेटस भी

एक ही पाठ के दो स्कैन दीजिए, और उनका फ़र्क़ पाठ-भेद अपैरेटस की शक्ल में लीजिए। मौजूदा मिलान-टूल रोमन लिपि के लिए बने हैं और अरबी लिपि को ठीक से तोड़ ही नहीं पाते।

• शब्द-दर-शब्द फ़र्क़, पाठभेद-चिह्नों के साथ
• अरबी लिपि को समझकर की गई टोकनाइज़ेशन और नॉर्मलाइज़ेशन
• नतीजा एडिट होने लायक़ अपैरेटस, कोई कच्चा डिफ़-डंप नहीं
• हर पाठभेद दोनों मूल इमेज से जुड़ा हुआ

आउट-ऑफ़-प्रिंट किताब सिर्फ़ काग़ज़ पर या सपाट स्कैन के रूप में बची होती है। दोबारा छापने के लिए आपको उसका पेज डिज़ाइन एडिट होने लायक़ शक्ल में वापस चाहिए — और टाइपसेटिंग वाले ठीक इसी काम के कई डॉलर प्रति पेज लेते हैं।

• छपाई के लिए पेज डिज़ाइन सुरक्षित, ebook के लिए स्ट्रक्चर सुरक्षित
• आकृतियाँ वेक्टर में दोबारा बनी हुईं, ताकि छपाई में साफ़ आएँ
• हर पेज का फ़िडेलिटी स्कोर, ताकि पता रहे कहाँ देखना है
• टाइपसेटिंग ठेकेदार की प्रति-पेज कीमत से कहीं कम

यही एक काम है जिसमें पेज फ़िडेलिटी ग़लत जवाब है। दृष्टिबाधित पाठकों को सही लैंग्वेज टैग वाला साफ़, रीफ़्लो होने वाला टेक्स्ट चाहिए — और फ़ारसी में एक हाफ़-स्पेस इधर-उधर हो जाए तो स्क्रीन रीडर शब्द ही ग़लत बोल देता है।

• रीफ़्लो होने वाला स्ट्रक्चर, असली हेडिंग और सही पढ़ने का क्रम
• मैथ MathML में, alt टेक्स्ट लगी तस्वीर के रूप में नहीं
• फ़ारसी की स्पेसिंग देखने के लिए नहीं, उच्चारण के लिए ठीक की जाती है
• समयसीमा सिर पर है: EU में ये नियम लागू हो चुके हैं

लेआउट के प्रति वफ़ादार रीडिंग के सबसे बड़े नए ख़रीदार अब रिट्रीवल सिस्टम हैं, क्योंकि जो चैटबॉट यह न बता सके कि उसने जवाब किस पेज से दिया, वह किसी नियम-बद्ध माहौल में इस्तेमाल के लायक़ ही नहीं।

• साफ़ Markdown, साथ में असली डॉक्युमेंट ट्री
• हर ब्लॉक पर बाउंडिंग बॉक्स और पेज ऐंकर
• टेबल HTML में, ताकि चंकिंग में टूटें नहीं
• ऐसे हवाले जो पेज के ठीक उसी हिस्से तक ले जाएँ

ई-फ़ाइलिंग के लिए अदालतें अब असली सर्चेबल टेक्स्ट लेयर माँगने लगी हैं, और डिस्कवरी में छूटा एक शब्द माने पूरा डॉक्युमेंट छूट जाना। इसके अलावा, सामने वाले पक्ष के स्कैन किए अनुबंध को Word में लाकर रेडलाइन करना अपने आप में रोज़ का एक काम है।

• सटीक अदृश्य टेक्स्ट लेयर वाला सर्चेबल PDF
• नीचे मूल स्कैन ज्यों का त्यों
• स्कैन किए अनुबंध, साफ़-सुथरे और रेडलाइन होने लायक़ Word में
• पेज से बँधा टेक्स्ट, ताकि आप किसी एक पंक्ति पर उँगली रख सकें

जिन संस्थानों के कमरे काग़ज़ों से भरे हैं, उन्हें वह सब सर्च और निकालने लायक़ चाहिए, ऑडिट ट्रेल के साथ — किसी नई शक्ल में बदला हुआ नहीं।

• पूरी-पूरी अलमारियाँ बैच में, बीच से दोबारा शुरू होने की सुविधा के साथ
• सर्चेबल PDF, साथ में लाइब्रेरी-स्टैंडर्ड ALTO और METS
• जहाँ डॉक्युमेंट बाहर नहीं जा सकते, वहाँ आपके अपने नेटवर्क के अंदर चलता है
• ऑडिट फ़ाइल के लिए हर पेज की जाँच रिपोर्ट

दो कॉलम का लेआउट, फ़ुटनोट, रनिंग हेड और कई पेज तक फैली नतीजों की टेबल — आम एक्सट्रैक्शन यहीं चुपचाप बिखर जाता है, और शोधकर्ता आज भी नंबर हाथ से उतारते हैं।

• कॉलम और फ़ुटनोट के आर-पार पढ़ने का क्रम सही
• नतीजों की टेबल टेबल की तरह निकलती हैं, सीधे विश्लेषण के लिए तैयार
• इक्वेशन LaTeX में, या एडिट होने लायक़ Word इक्वेशन में
• रेफ़रेंस की सूची पूरी और मशीन से पढ़ी जाने लायक़

ठसाठस भरे कई-कॉलम वाले पेज, जहाँ एक ख़बर तीन और ख़बरों के चारों ओर लिपटी होती है। आर्काइव को सिर्फ़ स्कैन नहीं, सचमुच सर्च होने लायक़ बनाती है ख़बर-दर-ख़बर ज़ोनिंग।

• सिर्फ़ पेज भर का टेक्स्ट नहीं, ख़बर-दर-ख़बर ज़ोनिंग
• हेडलाइन, बाइलाइन और कैप्शन अलग-अलग पहचाने हुए
• लाइब्रेरी-स्टैंडर्ड ALTO और METS आउटपुट
• रिसर्च API के लिए थोक टेक्स्ट

टाइपिंग ऑफ़िस सिर्फ़ कॉम्पिटिटर नहीं हैं — वे एक डिस्ट्रिब्यूशन चैनल भी हैं। ग्राहक और डेडलाइन उनके पास पहले से हैं; कमी सिर्फ़ किसी ऐसी चीज़ की है जो टेबल और फ़ॉर्मूले बिना इंसान के संभाल ले।

• पूरे-पूरे काम के लिए API और बैच अपलोड
• आपके जमा किए सुधार आपके अपने निजी नियम बन जाते हैं
• बिना किसी ब्रांडिंग के व्हाइट-लेबल आउटपुट
• थोक कीमत, महीने के बिल के साथ

संस्थानों को आए दिन पिछले साल का टेंडर डॉक्युमेंट, फ़ॉर्म या स्टैंडर्ड ऑपरेटिंग प्रोसीजर एडिट होने लायक़ शक्ल में वापस चाहिए होता है — डिब्बे, लकीरें और नंबरिंग ठीक वैसी की वैसी।

• डिब्बे, लकीरें और शेड किए हुए खाने हूबहू
• नंबरिंग की पूरी योजना ठीक वैसी, जैसी छपी थी
• चाहें तो भरने लायक़ फ़ील्ड में बदला हुआ
• पूरे विभाग में एक जैसी हाउस स्टाइल

रजिस्ट्री की प्रविष्टियाँ, वक़्फ़नामे, पुराने ख़त और परिवार के काग़ज़ — ज़्यादातर हाथ से लिखे, अक्सर इकलौती प्रति, और यही वह वजह होती है कि कोई आख़िरकार अटारी में रखा डिब्बा स्कैन करने बैठता है।

• लिखावट संभाली जाती है, और जहाँ संदेह हो वह खुलकर दिखाया जाता है
• हर प्रतिलिपि के साथ-साथ मूल इमेज भी
• पूरे संग्रह में एक साथ सर्च
• जहाँ पेज पढ़ा ही न जाए, वहाँ कुछ गढ़ा नहीं जाता

तीन सौ पेज की किताब एक बार अपलोड, फिर पेज दर पेज प्रोसेसिंग — और साथ-साथ दिखता रहता है कि कौन-से पेज हो गए और किन्हें दोबारा देखना है।

• बीच से दोबारा शुरू — कनेक्शन टूटने पर पूरी किताब फिर से नहीं चढ़ती
• हर पेज का फ़िडेलिटी स्कोर और निशान लगे पेज की एक कतार
• जिन पेज पर नज़र चाहिए, उनके लिए समीक्षक तय कीजिए
• पूरे जॉब के लिए एक कन्फ़ॉर्मेंस सर्टिफ़िकेट