Một trang có model A ở cột trái và model B ở cột phải. Văn bản trích xuất lại xen dòng từ hai cột khiến tên A đi cùng thông số B. AI đọc tài liệu hai cột phải kiểm thứ tự và quan hệ khối trước khi tóm tắt; sửa câu văn ở đầu ra không cứu được dữ liệu đã ghép nhầm từ đầu.
Sai thứ tự đọc khác với nhận sai ký tự
OCR có thể đọc đúng từng từ nhưng nối sai đường đọc. Lỗi thường xuất hiện khi tiêu đề chạy ngang hai cột, một hình chen giữa, bảng kéo hết chiều rộng hoặc chú thích nằm sát nội dung khác. Cần biết cấu trúc trang trước khi quyết định đọc hết cột trái rồi sang phải hay đọc theo hàng.
Google Document AI phân biệt phân tích bố cục với việc làm phẳng văn bản, giữ ngữ cảnh của các khối như heading, bảng và hình. Đây là khả năng của dịch vụ được mô tả trong nguồn, không phải bảo đảm mọi trang hai cột sẽ được đọc đúng. Mẫu tài liệu thực tế vẫn phải được kiểm tra theo công việc cần làm.
Bản đồ khối là đầu ra cần kiểm trước
Gắn mã cho các vùng: tiêu đề T, cột trái A1–A3, cột phải B1–B3, bảng ngang C. Với mỗi vùng lưu vị trí, loại nội dung, model hoặc mục mà nó thuộc về và vùng tiếp theo. Người duyệt nhìn đường đi để phát hiện chỗ nhảy sang cột khác quá sớm. Không cần giải thích toàn bộ thuật toán mới nhìn ra một đường đọc vô lý.
Bản đồ phải thể hiện ngoại lệ: nếu bảng C cắt ngang hai cột thì nó có thể ngắt mạch cả A và B. Không dùng một quy tắc cố định cho mọi trang. Đặt câu hỏi cụ thể: dòng nào kết thúc mục A, tiêu đề nào bắt đầu mục B, hình nào thuộc phần nào?
Ví dụ mô phỏng: cùng một hàng nhưng khác sản phẩm
Cột trái ghi “Model A — 220 V”, cột phải ghi “Model B — 24 V”. Nối theo tọa độ ngang có thể tạo câu “Model A Model B 220 V 24 V”. Người đọc không biết điện áp nào thuộc model nào. Đầu ra đúng phải có hai bản ghi độc lập và vùng nguồn cho từng giá trị.
| Khối | Chủ thể | Đi theo |
|---|---|---|
| A1: Model A | A | A2: 220 V |
| A2: 220 V | A | A3: chú thích A |
| B1: Model B | B | B2: 24 V |
Bảng là ví dụ giả định để kiểm quan hệ, không phải thông số thiết bị được bán. Nếu cột chứa bảng có ô gộp, bài đọc bảng có ô gộp và tiêu đề nhiều tầng giải quyết quan hệ ô bên trong bảng; không lấy thứ tự trang thay cho cấu trúc bảng.
Chốt phạm vi trước khi tách và ghép văn bản
Với trang có hai bài viết độc lập, giữ hai luồng riêng. Với một bài chạy liên tục qua hai cột, xác định điểm nối cuối cột trái sang đầu cột phải. Với catalogue, nhóm theo sản phẩm có thể quan trọng hơn thứ tự đọc liên tục. Mục tiêu đầu ra quyết định quan hệ cần giữ.
Không cắt trang thành hai nửa một cách mù quáng: tiêu đề hoặc bảng ngang sẽ bị mất ngữ cảnh. Nếu phải chia vùng, lưu ảnh trang gốc, tọa độ vùng và phần giao nhau để người kiểm tra biết thông tin nào đã bị cắt. Một khối chưa xác định chủ thể cần ở hàng chờ, không gán vào model gần nhất cho đủ trường.
Phép thử tập trung vào nhầm chủ thể
Chọn các trang có hai model cạnh nhau, tiêu đề chung, bảng ngang và chú thích cuối trang. Xác định trước bản ghi đúng cho mỗi trang. Kiểm tra tên, thông số, điều kiện và vị trí nguồn cùng nhau; chỉ đếm đủ số từ không phản ánh lỗi ghép nhầm.
Đối chiếu cả bản hiển thị và văn bản trích. Một PDF có cấu trúc hỗ trợ đọc tốt sẽ giảm khó khăn, nhưng bài catalogue PDF dễ tiếp cận tập trung sửa tài liệu xuất cho người dùng công nghệ hỗ trợ. Công việc ở đây là kiểm bản đồ khối của tài liệu đầu vào chưa thể sửa, trước khi AI tạo bản ghi hoặc câu trả lời.
Dấu mốc kết thúc giúp kiểm đường đọc
Với catalogue hai cột, chọn trước dấu bắt đầu và kết thúc của từng nhóm sản phẩm. Người kiểm tra đi từ tên model đến dòng thông số cuối rồi chú thích; nếu đường trích nhảy sang model khác trước dấu kết thúc, ghi lỗi ghép khối. Cách này dễ đối chiếu hơn một điểm độ chính xác chung vì nó chỉ ra quan hệ bị đứt ở đâu.
Giữ thứ tự khối độc lập với thứ tự hiển thị trong bảng đích. Có thể xuất hai bản ghi theo mã tăng dần sau khi đọc, nhưng vẫn phải lưu thứ tự và tọa độ của nguồn. Nhờ đó, người duyệt có thể mở lại trang và phân biệt lỗi đọc từ đầu với thay đổi cách sắp xếp ở bước sau.
Tham khảo tài liệu gốc: Google Cloud Document AI. Phân tích bố cục giữ ngữ cảnh các khối nội dung, khác với văn bản được làm phẳng. Các ví dụ, biểu mẫu và quyết định vận hành trong bài là đề xuất biên tập, không phải kết quả khách hàng.
Khi nào nên xử lý thủ công một nhóm trang
Nếu bố cục thay đổi dày đặc và khối không thể ghép chắc chắn, đánh dấu những trang đó để xem bằng mắt. Không cần bắt toàn bộ file theo một đường xử lý duy nhất. Có thể tự động chuẩn bị vùng nguồn cho trang đơn giản và giữ trang ngoại lệ trong danh sách kiểm tra.
Để khảo sát quy trình đọc tài liệu, hãy mang một trang bị ghép sai model và một bản ghi đầu ra mong muốn. Hai bên cần chốt tiêu chí giữ chủ thể, cách chỉ vùng nguồn và điểm chuyển sang kiểm tra thủ công; chưa cần giao quyền nhập dữ liệu hàng loạt.
