nahrajem pdf s otázkami, ale systém otázky dobre nepozná

Rozpoznávanie sa zasekáva na formátovaní, nie na obsahu

Pdf, ktorý sa nerozpoznáva správne, je zvyčajne spôsobený jednou z troch vecí: pdf je scan (obrázok textu, nie skutočný text), zoznam otázok je v tabuľke so zlúčenými bunkami, alebo číslovanie sa líši od toho, čo systém rozpoznáva ako otázka (napríklad "3.2a" namiesto "Otázka 12"). Vo všetkých troch prípadoch systém vidí text, ale nemôže s istotou určiť, kde sa jedna otázka končí a ďalšia začína. V takom prípade systém radšej nič nevyplní, ako by umiestnил odpoveď k nesprávnej otázke.

Najrýchlejšie riešenie je zvyčajne obrátiť sa na portál tvojho klienta: mnoho portálov ponúka vedľa pdf aj export do Excelu alebo webový formulár rovnakého zoznamu otázok a tie sa zvyčajne rozpoznávajú úplne. Ak systém rozpozná aspoň časť otázok, zvyšok si môžeš doplniť manuálne — pripojené odpovede stále pochádzajú z rovnakého reťazového spisu, takže nepíšeš dvakrát to isté. Ak ide o otázku na pevný údaj, ako je registračné číslo podniku alebo počet zamestnancov, potom je táto odpoveď vždy k dispozícii na ručný prevzatie, bez ohľadu na rozpoznanie.

Prečo nenutíme pdf "inteligentne"

Systém rozpoznáva otázky na základe štruktúry textu, nie na základe významu: nečíta zoznam, rozpoznáva iba vzory, ako sú číslovanie, otázniky a tabuľkové rozdelenie. Keď tieto vzory chýbajú — ako pri skane bez podkladovej textovej vrstvy alebo pri pdf naformátovanom pomocou obrázkov namiesto textu — systém nemôže určiť páry otázka-odpoveď. To je zámerná hranica: radšej nevyplniť časť zoznamu, ako pripojiť odpoveď k otázke, ktorú si nie je istý, že správne prečítal. Vždy si ty ten, ktorý potvrdzuje každú navrhovanú odpoveď a podáva ju na portáli svojho klienta.