Azt hittem, hogy ez egy könnyű menet lesz. Egy gyors OCR-javítás, néhány kisebb hiba, aztán mehet is a tisztított szöveg a digitális könyvtárba. Hát, nem is tévedhettem volna nagyobbat! A kapott szkennelt könyv tele volt rejtett csapdákkal. Első ránézésre csak néhány elcsúszott karakter tűnt fel, de ahogy egyre mélyebbre ástam magam a javításban, egyre több hiba bukkant elő, amiket az OCR program nem jelölt meg. Ez az a pillanat, amikor rájössz, hogy a technológia csodálatos dolog, de a jó öreg emberi szem és ész nélkül mit sem ér.

Az egyik legbosszantóbb dolog az, amikor a szöveg elsőre teljesen jónak tűnik, aztán amikor jobban megnézem, kiderül, hogy a felismerés félrement. Például egy egyszerű "szemben" helyett "szemocn" szerepel, és persze a programnak ez teljesen elfogadhatónak tűnik. Miért is ne? Hiszen "szemocn" nyilvánvalóan egy gyakran használt magyar szó! 😆 És akkor még nem beszéltem a tördelési hibákról, a rosszul felismert ékezetekről és azokról a kis nyomdai foltokról, amiket az OCR karakternek gondol.

Persze az egészben van valami kihívás is, amit élvezek. Ez egy kicsit olyan, mint egy detektívmunkával egybekötött logikai játék. Ki kell találnom, hogy az adott kusza karakterhalmazból vajon mit akart eredetileg mondani az író. Közben meg időnként egy kis szünetet kell tartanom, mert a sziámi macskám úgy gondolja, hogy az OCR-javítás helyett sokkal jobb program az ő dédelgetése. És valljuk be, egy macskával nem érdemes vitatkozni.

Ez a munka nem csupán egy hobbi, hanem egy életcél. Mert ha én nem javítom ki ezeket a szövegeket, akkor lehet, hogy soha senki nem fogja. És mennyire bosszantó lenne, ha egy fantasztikus régi könyvet egy rakás OCR-hiba tönkretenne? Úgyhogy folytatom a betűmentő akciómat, és nem hagyom, hogy a hibák győzzenek!

Ha te is foglalkozol OCR-hibajavítással, akkor biztosan átélted már ezt a küzdelmet. Ha még nem, de érdekel a téma, akkor üdv a klubban! Kihívás garantált! 😉