מה OCR מודרני עושה אחרת: מזיהוי תווים להבנת מסמך

המונח OCR, זיהוי תווים אופטי, קיים עשרות שנים, וכבר שנים הוא מובנה בסורקים ובטלפונים. ובכל זאת, מי שהעביר חשבונית עברית בכלי OCR רגיל מכיר את התוצאה: אותיות נכונות בסדר הלא נכון, וטבלה שהפכה לערימה של מילים. ההבדל בין הכלים הוותיקים לחדשים הוא לא רק בדיוק. הוא במה שהם מנסים לעשות.

OCR קלאסי: מתמונה לתווים

מערכות OCR קלאסיות עובדות בשלבים: מנקות את התמונה, מוצאות שורות, מפרקות אותן למילים ולתווים, ומזהות כל תו. התוצר הוא טקסט, ולפעמים גם המיקום של כל מילה בעמוד.

השיטה הזו עובדת היטב על דף מודפס ופשוט. היא מתקשה כשהמבנה מורכב:

• עמודות וטבלאות: המערכת קוראת שורה לרוחב כל העמוד ומערבבת בין עמודות.
• עברית עם מספרים ואנגלית: כיוון הכתיבה מתחלף בתוך השורה, ומספרים או מילים באנגלית קופצים למקום הלא נכון.
• משמעות: המערכת יודעת שכתוב 18%, אבל לא שזה שיעור המע״מ.

מה השתנה: מודלים שקוראים את כל העמוד

בשנים האחרונות התפתחו מודלים שמקבלים את תמונת העמוד כולה ומפיקים ממנה תוצאה מובנית. הם לא רק מזהים אותיות. הם קוראים את העמוד בהקשר, כמו שאדם קורא: זו חשבונית, זה הספק, זה הסכום לתשלום, וזו טבלת השורות.

המשמעות בפועל:

• סדר קריאה נכון, גם בעברית וגם כשיש מספרים ואנגלית באותה שורה.
• שדות לפי משמעות ולא לפי מיקום: "סה״כ לתשלום" נמצא גם כשכל ספק מציב אותו במקום אחר.
• טבלאות כטבלאות, עם כותרות עמודות ושורות.
• ערכים מנורמלים: התאריך 05/03/2026 נשמר גם כ-2026-03-05, והסכום 1,234.50 ₪ נשמר גם כמספר.

מה עדיין קשה

המודלים החדשים טועים אחרת מהוותיקים, ולפעמים בצורה מסוכנת יותר. מערכת קלאסית שלא הצליחה לקרוא ספרה תפיק סימן מוזר, שקל לראות. מודל עלול להפיק ערך שנראה הגיוני לגמרי, אבל לא כתוב במסמך.

לכן שלושה דברים חשובים בכלי מודרני:

1. להראות מאיפה כל ערך הגיע. אם לחיצה על שדה מסמנת את מקומו בעמוד, בודקים אותו בשנייה.
2. לסמן ערכים לא ודאיים. עדיף ערך שמסומן לבדיקה על פני ערך בטוח בעצמו ושגוי.
3. להודות בתוצאה חלקית. טבלה ארוכה מאוד עלולה להיחתך. כלי טוב אומר את זה במפורש, ולא מגיש חצי טבלה כאילו היא שלמה.

כתב יד, צילום חלש וטקסט קטן מאוד עדיין מייצרים יותר טעויות. זה נכון לכל הכלים, ותיקים וחדשים.

איך זה עובד ב-OCR-AI

כל עמוד נשלח לקריאה כתמונה, והתוצאה חוזרת תוך כדי הקריאה בסדר קבוע: סוג המסמך, השפה, תקציר, השדות, הטבלאות והטקסט המלא. לכל שדה נשמר המקום שלו בעמוד, וערכים שהמנוע לא היה בטוח בהם מסומנים לבדיקה. תוצאה שנחתכה מסומנת כחלקית, ואפשר לתקן כל ערך לפני הייצוא.

איך לבדוק כל כלי OCR

אל תסתמכו על מסמכי הדוגמה של אף ספק, כולל שלנו. קחו חמישה מסמכים קשים משלכם, למשל חשבונית עם טבלה ארוכה, קבלה דהויה ומסמך בשתי שפות, ובדקו:

• האם כל הספרות בסכומים נכונות, ספרה אחר ספרה?
• האם הטקסט העברי יוצא בסדר הנכון כשמדביקים אותו?
• האם הטבלה נפתחת באקסל בעמודות הנכונות?
• האם רואים מאיפה כל ערך הגיע?
• מה הכלי שומר מהמסמך, ואיפה? כך זה אצלנו.