OCR
O OCR (reconhecimento ótico de caracteres) transforma uma imagem ou um PDF digitalizado em texto que se pode copiar, pesquisar e dar a ler a uma IA.
OCR significa Optical Character Recognition, ou reconhecimento ótico de caracteres. Um documento digitalizado, uma fotografia de uma fatura ou um PDF saído de uma fotocopiadora não passa de uma imagem: o computador vê píxeis, não letras. O OCR analisa essa imagem, identifica os caracteres e devolve o texto num formato utilizável.
Os primeiros programas de OCR comparavam a forma das letras com modelos guardados. As ferramentas atuais assentam em redes neuronais que leem linhas inteiras e lidam com várias línguas, tabelas, paginação e, até certo ponto, escrita manual. Os modelos de visão recentes vão mais longe: compreendem a estrutura de um documento e conseguem extrair diretamente campos como uma data, um montante ou um número de contrato. O resultado nunca é perfeito, sobretudo numa digitalização desfocada ou torta, daí a importância de digitalizar com cuidado.
O OCR é uma etapa-chave antes do RAG: um assistente de IA não consegue citar um documento que não sabe ler. Se os seus arquivos contiverem muitos PDF digitalizados, preveja esta conversão no momento da indexação. Um OCR clássico pode correr no processador, mas uma GPU acelera claramente o processamento de grandes volumes, sobretudo com os modelos de visão, que exigem então VRAM para além da do LLM.
Quando instalamos um assistente de IA privado, estudamos consigo o tratamento dos seus documentos digitalizados para que também eles possam ser consultados.