Nahrávám PDF se záznamem otázek, ale systém otázky správně nepozná

Rozpoznávání se zasekává na formátování, ne na obsahu

Pdf, který není správně rozpoznán, je obvykle způsoben jedním ze tří důvodů: pdf je sken (obrázek textu, žádný skutečný text), dotazník je v tabulce se sloučenými buňkami, nebo číslování se liší od toho, co systém rozpozná jako otázku (například "3.2a" místo "Otázka 12"). Ve všech třech případech systém vidí text, ale nemůže s jistotou vymezit, kde se jedna otázka končí a druhá začíná. Systém pak raději nic nevyplní, než aby odpověď vložil k špatné otázce.

Nejrychlejší řešení je obvykle konzultovat samotný portál vašeho zákazníka: mnoho portálů nabízí vedle pdf také export do Excelu nebo webový formulář stejného dotazníku, a ty jsou obvykle zcela rozpoznány. Pokud systém rozpozná část otázek, můžete zbytek doplnit ručně — spárované odpovědi stále pocházejí ze stejného řetězce souborů, takže nemusíte psát to samé dvakrát. Pokud se jedná o otázku na pevné údaje, jako je registračním čísle podniku nebo počet zaměstnanců, je tato odpověď vždy k dispozici odděleně od rozpoznání, abyste ji mohli ručně převzít.

Proč neusilujeme o "chytré" vynucení pdf

Systém rozpoznává otázky na základě textové struktury, nikoli na základě obsahu: nečte seznam, rozpoznává pouze vzory, jako je číslování, otazníky a formátování tabulky. Pokud tyto vzory chybí — například u skenu bez podkladové textové vrstvy nebo u pdf naformátovaného pomocí obrázků místo textu — systém nemůže určit páry otázka-odpověď. Jde o vědomou hranici: raději nevyplnit část seznamu, než spárovat odpověď s otázkou, kterou nemůže s jistotou přečíst. Zůstáváte tím, kdo potvrzuje každou navrhovanou odpověď a podává ji na portál svého zákazníka.