Szkennerek és képfelismerés: amikor az MI nem hallucinálhat

Nagyon jó móka, amikor a mesterséges intelligencia képeket generál mondatokból. Ám az MI képalkotási-képfelismerési képességeinek van ennél jóval gyakorlatibb felhasználási módja is: a dokumentumszkennerek működését teszik a korábbiaknál is megbízhatóbbá.

Adatalapú gazdaságban élünk, minden szervezetnek, vállalatnak szüksége van az adatokra. Az adat azonban csak akkor értékes és hasznos, ha valós. Különösen fontos lesz az adatok helyessége, pontossága, ha azok előállításában a mesterséges intelligencia is részt vesz. A weben elérhető generatív mesterséges intelligenciák – legyenek azok szöveget vagy képet előállítók – hajlamosak hallucinálni, hívja fel a figyelmet Pataki Tamás, a Canon hazai képviseletének üzletfejlesztési menedzsere. Az ezek mögött álló nagy nyelvi modellek jól körülhatárolható adatbázisból tanulnak és építkeznek. Ha a rendelkezésére álló adatok nem elégségesek a csevegés folytatásához vagy a kép (videó, hang) előállításához, hozzáképzel, kitalál újabb adatokat. A felhasználó hiába helyesbíti a hallucinációt – ezt ugyan elfogadja az MI, de nem feltétlenül építi be a tanulási folyamatába. Ha még egyszer feltesszük ugyanazt a kérdést a generatív MI-nek, ugyanúgy hallucinál valamit – demensnek tűnik, pedig csak nem fogadja el bárkitől a tanítást.

Ezzel nincs is semmi gond, amíg valaki csak a saját szórakoztatására, blogjának vagy weboldalának illusztrálására generál képeket. Üzleti területen viszont, legyen szó egészségügyi képalkotásról vagy banki informatikáról, a hallucinálás megengedhetetlen. Az itt működő modellek sokkal szűkebb, cserébe hitelesebb adatbázisból építkeznek. Az üzleti területeken működő megoldások azért tudnak pontosan dolgozni irodai munkafolyamatokban és vezetéstámogató rendszerekben, azért tudnak mind pontosabb előrejelzéseket adni gazdasági-pénzügyi folyamatokra, azért tudnak mind jobban diagnosztizálni, mert többszörösen hitelesített szakértői környezet validálja a kiinduló adatokat és a tanulási folyamatot.

Hosszú tapasztalat

„A szkennerek gyártóinak nem újdonság a képek (jó szándékú) manipulálása – a professzionális dokumentumszkennerek szoftvereiben már több évtizede fejlesztik-tökéletesítik ezeket a módszereket. Kezdetben még a PC-k képfeldolgozási és memóriakorlátai miatt volt arra szükség, hogy maga a szkenner állítsa elő minél hatékonyabban a számítógéppel pontosan olvasható és így könnyen feldolgozható képfájlokat”, mondja Pataki Tamás.

A PC-k teljesítményének növekedésével a feldolgozáshoz szükséges idő lefaragása került a középpontba: minél gyorsabban minél több adatot lehessen felismerni és betáplálni a digitális munkafolyamatba. Már akkor alapvető elvárás volt, hogy a képi felismerést – legyen az OCR (Optical Character Recogniton), OMR (Optical Mark Recognition) vagy ICR (Intelligent Character Recognition) – úgy lehessen automatizálni, hogy közben a bedigitalizált adatok pontosak, validak legyenek.

Okos funkciók

A fenti funkciók újra reflektorfénybe kerülnek azzal, hogy mennyire ki van éhezve a mesterséges intelligencia a hiteles adatokra. Az új módszerek technológiai mélységeit ugyanakkor gyakran elfedik jól hangzó, ám önmagukban nem sokat mondó kifejezésekkel, mint a „smart szkennelés”. Pataki Tamás bemutat néhányat abból a több mint 70 féle, a mesterséges intelligencia által támogatott funkcióból, amelyek a Canon szkennerei számára elérhetőek, és amelyek egyenként is nagy halmazt és bő paraméterezhetőséget foglalnak magukba:

• Active Threshold: egységesen jól felismerhetővé teszi a beolvasott lapon látható különféle kontrasztokat, színtelítettséget; némiképp hasonló a videótechnikában használt HDR (High Dynamic Range) technológiához.
• Szenzorszennyeződés detektálása: öntisztító mechanizmusok (szűrt levegő befúvása, szenzorok letörlése) alkalmazása minden kötegelt beolvasás indításakor; ha az automatika nem tudja eltávolítani a szennyeződést, megpróbálja kimozgatni a szenzort az üveglap mögött.
• Árnyékok eltüntetése: a lapok gyűrődéséből, hajtogatásából származó árnyékok eltüntetése a kész képfájlról.

Kiváltva a manuális ellenőrzést

A fenti funkciók nem csak esztétikai célokat szolgálnak. A nemkívánatos képrészletek eltüntetése vagy a halványabb részletek olvashatóbbá tétele növelik az egy- és kétdimenziós vonalkódok, a QR- vagy Aztec kódok felismerési pontosságát. Márpedig ezeknél az önellenőrző adatokat (checksum) is tartalmazó kódoknál természetes elvárás a 100 százalékos felismerési pontosság.

„Hiába látnak el egy iratot, dokumentumot ilyen kóddal, ha valamilyen egyszerű szennyeződés vagy egy korábban összehajtott papírlapról származó pixelsor felismerhetetlenné teszi a kódsort. A hiányzó checksum miatt a szkenner ezekben az esetekben nem ismeri fel a kódot és emberi beavatkozásra lesz szükség. Már az is bosszantó és költséges időveszteség, ha naponta csak 100-200 dokumentumot kell kézzel javítani, de az igazán nagy volumenű, automatizált beolvasásoknál – márpedig a Canon-készülékek esetében nem ritka a napi több tízezres mennyiség – a fenti funkció ténylegesen elengedhetetlen”, világítja meg ennek jelentőségét Pataki Tamás.

Hasonlóan fontos funkció a hardveres „színkiejtés” vagy a nemkívánatos színek, háttérnyomatok eltávolítása – ennek hiányában szintén gyengül az automatikus karakter- és jelölésfelismerés.