OCR für Singhalesisch & Tamil

Große Teile der schriftlichen Überlieferung Sri Lankas – Archive, Gerichtsakten und Drucksammlungen – existieren nur auf Papier, auf Singhalesisch und Tamil. Beide Schriften sind komplex und werden von großen OCR- und KI-Laboren weitgehend übergangen, deren Modelle auf Sprachen mit umfangreichen Datenbeständen ausgerichtet sind.

Allgemeine OCR scheitert an Singhalesisch und Tamil. Die Schriften enthalten viele Ligaturen, Modifikatoren und kombinierte Formen. Die Dokumente sind alt, beschädigt und uneinheitlich gedruckt. Standardlösungen waren für Unterlagen nicht zuverlässig genug, bei denen ein einziges falsch erkanntes Zeichen einen Namen, ein Datum oder eine rechtliche Bedeutung verändern kann.

Wir haben das als sprach­technologisches Problem behandelt: mit einer Untersuchung der Schriftstruktur, der Fehler bestehender Modelle und des Zustands realer Dokumente. Wo brauchbare Trainingsdaten fehlten, gehörte ihr Aufbau zur Arbeit.

Wir bauten auf Modellen auf, die speziell für diese Schriften trainiert wurden. Die Verarbeitungskette ist auf beschädigte Dokumente aus der Praxis ausgelegt.

Eine produktive OCR-Engine für die Verarbeitung großer Archive, Gerichtsakten und Drucksammlungen – entwickelt für hohen Durchsatz und die Unregelmäßigkeiten jahrzehntealten Materials.

Die Genauigkeit wurde an realem Archiv- und Aktenmaterial gemessen – unter den Bedingungen, für die das System gebaut wurde.

Archive, Gerichtsakten und Drucksammlungen auf Singhalesisch und Tamil können in großem Umfang digitalisiert werden. Was bisher auf Papier eingeschlossen war, wird durchsuchbar und nutzbar. [INHALT ERFORDERLICH: konkrete Einsätze / Volumen]

• Für Singhalesisch & Tamil trainierte OCR-Modelle
• Verarbeitungskette für Dokumente
• [INHALT ERFORDERLICH: genauer Technologie-Stack]