es augšupielādēju PDF ar jautājumiem, bet sistēma nepareizi tos neatpazīst

Atpazīšana iestrēgst formatējumā, nevis saturā

PDF, kas netiek pareizi atpazīts, parasti ir saistīts ar vienu no trim iemesliem: PDF ir skenēts oriģināls (teksta attēls, nevis reāls teksts), jautājumu saraksts atrodas tabulā ar sapludinātas šūnām, vai numurēšana atšķiras no tā, ko sistēma atpazīst kā jautājumu (piemēram, "3.2a" tā vietā, lai "Jautājums 12"). Visos trijos gadījumos sistēma redz tekstu, bet nevar ar pārliecību noteikt, kur beidzas viens jautājums un sākas nākamais. Sistēma labāk neizvēlas neko ierakstīt, nevis atbildi saistīt ar nepareizu jautājumu.

Ātrākais risinājums parasti ir konsultēties ar paša klienta portālu: daudzi portāli piedāvā blakus PDF arī Excel eksportu vai tā paša jautājumu saraksta tīmekļa formu, un tās parasti tiek atpazītas pilnībā. Ja sistēma atpazīst daļu jautājumu, tad atlikušo var papildināt atsevišķi — saistītās atbildes joprojām nāk no viena un tā paša ķēdes dosejā, tāpēc jūs neatrakstāt divreiz vienu un to pašu. Ja runa ir par jautājumu par fiksētu datu, piemēram, uzņēmuma reģistrācijas numurs vai darbinieku skaits, tad šī atbilde ir vienmēr pieejama manuāli pārņemšanai neatkarīgi no atpazīšanas.

Kāpēc mēs PDF "gudros" nespiesam

Sistēma atpazīst jautājumus, pamatojoties uz teksta struktūru, nevis uz nozīmi: tā nelasa sarakstu, tā atpazīst tikai modeļus, piemēram, numurēšanu, jautājuma zīmes un tabulu izkārtojumu. Ja šie modeļi trūkst — piemēram, skenētos oriģinālos bez pamatā esošā teksta slāņa vai PDF, kas formatēts, izmantojot attēlus, nevis tekstu — sistēma nevar noteikt jautājuma-atbildes pārus. Tas ir apzināta robeža: labāk neizbeidzīt daļu saraksta, nevis saistīt atbildi ar jautājumu, ko tas nevar droši nolasīt. Jūs joprojām esat tas, kurš apstiprina katru ieteikto atbildi un iesniedz to klienta portālā.