Fontul PDF, formatul de document cel mai răspândit în lume, rămâne o provocare majoră pentru sistemele de inteligență artificială

PDF-urile, o „fotografie” digitală dificil de interpretat pentru AI

Dezvoltarea formatului PDF a fost motivată de dorința de a păstra autenticitatea și aspectul original al documentelor, indiferent de platformă sau sistem de operare. Însă, această „fotografie” digitală are potențialele sale dezastruoase pentru inteligența artificială. Specificitatea de a reprezenta exact o pagină ca într-o fotografie face ca textul, graficele și tabelele să fie percepute ca imagini, nu ca structuri analizeabile.

Pentru ca un program AI să extragă text dintr-un PDF, acesta trebuie să folosească tehnologii de recunoaștere optică a caracterelor (OCR). Deși aceste tehnologii funcționează decent în cazul documentelor simple, ele dau greș în fața scanărilor de calitate slabă, a scrisului de mână sau a documentelor cu structuri grafice complexe. În plus, dacă textul este formatat în coloane sau învațșit în tabele, interpretarea devine și mai dificilă, rezultând de multe ori într-un conținut confuz sau ilegibil pentru mașini.

Limitările PDF-urilor impactează analiza și dezvoltarea AI

Un alt motiv semnificativ de îngrijorare este că aceste limitări blochează accesul la volume enorme de date „nestructurate”, esențiale pentru dezvoltarea modelelor AI. Majoritatea datelor din companii, studii sau cercetări se află în formate greu de analizat automat, precum PDF-uri scanate, înregistrări audio sau video. Se estimează că până la 90% din toate informațiile disponibile sunt stocate în astfel de formate, ceea ce reprezintă o barieră majoră pentru inovație și eficiență în domeniu.

Pe fondul acestei situații, laboratoarele de cercetare și start-up-urile din tehnologie caută soluții pentru a relua controlul asupra acestei probleme. În ultimii ani, financări uriașe, precum cele obținute de startup-ul israelian Factify, indică interesul crescut pentru crearea unui nou format de document. Aceasta ar combina avantajele PDF-ului current, precum păstrarea aspectului și compatibilitatea, cu posibilitatea de a fi mai ușor de analizat de AI.

Viitorul documentelor digitale și rolul formatelor inovatoare

Deși, momentan, PDF-ul continuă să domine mediul digital și standardele de documentare oficiale, presiunea de a dezvolta formate alternative tot mai prietenoase cu AI devine tot mai acută. În Europa, companii precum Mistral au lansat tehnologii bazate pe inteligență artificială menite să îmbunătățească citirea și extragerea datelor din PDF-uri scanate, însă rezultatele sunt încă în faza de testare și preview.

Specialiștii sunt conștienți că, dacă rapida creștere a industriei AI trebuie valorizată, necesitatea unor formate de documente mai eficiente și „inteligențabile” va deveni o prioritate. Noul format dezvoltat de startup-ul Factify promite păstrarea avantajelor PDF-ului tradițional, dar și compatibilitatea cu constrângerile tehnologiilor AI. La rândul său, tehnologiile OCR avansate continuă să fie îmbunătățite, dar încă nu sunt suficient de performante pentru a depăși complet dificultățile legate de fișierele complexe.

Pe termen lung, evoluția acestor tehnologii va determina, cu siguranță, o redefinire a modului în care gestionăm și analizăm documentele digitale. Într-un viitor apropiat, este de așteptat ca noile formate și tehnologii să permită o integrare mai profundă între arhivele digitale și inteligența artificială, facilitând accesul rapid la volumul imens de informații deținute de structuri organizaționale, universități sau instituții guvernamentale. Însă, până atunci, PDF-ul rămâne, deocamdată, standardul incontestabil, cu toate limitările sale.

Sursa: Descopera