アップロードできる文書から始める
自分が所有する公開パンフレット、プロジェクトの配布資料、その他処理を許可されている文書を使います。外部サービスを利用する前に、無関係な個人情報は取り除いてください。抽出結果を元のページと比較できるよう、元のファイルは保管しておきます。
この作業は、テキストを選択できない文書から始まります。スクリーンショットにすでに読めるキャプションがある場合は、スクリーンショットテキストのチェックリストでより短い手順を確認できます。
ファイルを準備して変換する
Google Driveは、複数ページのPDFとJPEG、PNG、GIF画像の変換に対応しています。同社の準備ガイドラインでは、2MB以下のファイル、正立したページ、鮮明なテキスト、十分なコントラストが推奨されています。パソコンでは、Drive内のファイルを右クリックし、「アプリで開く」から「Googleドキュメント」を選びます。出典
これらはGoogleによる準備上の推奨であり、精度を保証するものではありません。ファイルが推奨から外れている場合は、抽出に成功したと決めつけず、その制約をそのまま記録してください。ツールがPDFを受け付けるからといって、私的なアカウントのアーカイブをアップロードしてはいけません。
フレーズをコピーする前に読み取り順を確認する
Googleは、リスト、表、段組み、脚注、文末脚注が正しく検出されない可能性があると警告しています。出典 使用しようとする各フレーズを、元のページ上の位置と照合してください。
| 元ページの特徴 | 抽出テキストで確認すること | 未解決のままにする条件 |
|---|---|---|
| 2段組み | 単語が同じ読み取り順に並んでいる | 文がつなぎ合わされているように見える |
| 表 | 各値が行ラベルに対応したままである | ラベルと値の対応関係が失われている |
| 画像の横のキャプション | キャプションと本文段落が分離している | 話者や主題が曖昧になる |
| 脚注記号 | 限定条件が主張に対応したままである | 注記がない、または判読できない |
自分のイベント配布資料に、会場用の列と話者用の列があるとします。両方を1つの文にまとめると、どちらの列も述べていない内容が生まれる可能性があります。これは説明のためのエラーチェック例であり、実際の文書を試した結果ではありません。
範囲を限定した検索メモを作る
ページ番号、見えているフレーズ、抽出されたフレーズ、元のページから正当化できる修正を記録します。判読できない文字は未解決として印を付けます。AIシステムに欠けた名前を補わせ、その補完をOCRの出力として扱ってはいけません。
確認済みの特徴的なフレーズを検索し、公開情報レビューのワークフローを使って結果のページを確認します。抽出結果は検索の手がかりを与え、リンク先のページが文脈を与えます。
TraceSeekの概要では、製品所有者による画像テキスト検索の方法が説明されています。このGoogle Driveの手順は、TraceSeekがPDFのアップロードに対応していることや、内部でGoogleドキュメントを使用していることを示すものではありません。