OCR: comparar resultados de duas configurações de reconhecimento

Por que comparar antes de padronizar

OCR é útil quando o objetivo é tornar documentos pesquisáveis, acelerar consulta e reduzir retrabalho na digitação manual. Mas a utilidade prática depende muito da configuração, da qualidade da imagem, do tipo de documento e do idioma do material. Por isso, antes de decidir uma configuração única, faz sentido comparar duas alternativas em uma amostra representativa. A decisão deve ser documental e técnica, não baseada em impressão visual de poucos arquivos.

Comparar configurações ajuda a identificar onde o reconhecimento funciona melhor, onde falha e qual nível de intervenção manual será necessário. Em muitos projetos, o custo real não está no software em si, e sim no volume de revisão posterior. Quando a expectativa é equivocada, a equipe imagina que OCR “resolve” tudo e acaba recebendo arquivos pesquisáveis, porém inconsistentes. O resultado pode ser um índice bonito e uma busca pouco confiável.

Conceitos que orientam a avaliação

A primeira distinção é entre imagem, texto reconhecido e texto validado. A imagem é o documento digitalizado; o texto reconhecido é a saída do OCR; o texto validado é aquele revisado conforme o critério definido para uso. Não basta olhar para o PDF e concluir que tudo foi corretamente lido. É preciso comparar o que entrou e o que saiu.

O segundo conceito é o de amostragem. A amostra deve refletir variedade de fontes, tipos de página, qualidade de captura e graus de complexidade. Comparar apenas páginas limpas leva a resultado artificialmente bom. O ideal é incluir contratos, formulários, páginas com carimbo, folhas com baixa resolução relativa e documentos com diferentes estruturas. Assim, a comparação revela o comportamento do OCR sob condições mais realistas.

O terceiro conceito é o de uso pretendido. Um OCR aceitável para busca interna pode ser insuficiente para extração estruturada. Se o objetivo é apenas localizar palavras, um nível de tolerância pode ser adequado. Se a intenção é alimentar campos ou integrar sistemas, o rigor exigido sobe muito. Essa diferença muda totalmente o aceite.

Roteiro prático da comparação

Começa-se definindo objetivo e critérios. É preciso saber se o OCR servirá para pesquisa textual, apoio à indexação, conferência de dados ou algum fluxo híbrido. Depois, escolhe-se uma amostra equilibrada e documenta-se a origem dos arquivos, a qualidade de entrada e o tipo de conteúdo.

Em seguida, roda-se a primeira configuração e registra-se o resultado. Faz-se o mesmo com a segunda. A comparação deve observar legibilidade do texto extraído, manutenção de blocos, separação de colunas, captura de números, erros recorrentes, tratamento de acentos e consistência em páginas difíceis. Se houver necessidade, inclui-se uma etapa de revisão manual em pontos sensíveis para medir o esforço complementar.

Depois vem a análise de custo operacional. Às vezes a configuração aparentemente “melhor” gera texto mais limpo, mas exige tempo de ajuste alto demais. Em outras situações, uma alternativa um pouco mais simples produz resultado suficiente com revisão menor. A decisão final precisa equilibrar qualidade e esforço de manutenção, não apenas aparência do texto extraído.

Riscos de confiar em OCR sem validação

O maior risco é confundir pesquisabilidade com fidelidade. Um arquivo pode ser localizado por palavra-chave e ainda assim conter erros relevantes de leitura. Em documentos contratuais, por exemplo, a troca de um número, data ou nome pode comprometer consulta e validação. Outro risco é achar que OCR, por si só, cria valor probatório. Isso não é automático. A validade de documentos digitalizados depende do contexto legal aplicável, dos requisitos técnicos e da forma de guarda e manuseio.

Há também risco de excluir o original cedo demais. O Decreto 10.278/2020 trata de digitalização com requisitos próprios, e a eliminação de originais não pode ser tratada como reflexo automático de qualquer digitalização. Em prontuários, há disciplina específica pela Lei 13.787/2018. Cada caso requer análise própria sobre retenção, valor histórico e prova. OCR, portanto, não é atalho para descarte.

Outro cuidado é com plataformas. Em Alfresco, por exemplo, OCR não é garantido nativamente em qualquer edição ou configuração. Se a solução proposta depende de integração, licença adicional ou ajuste técnico, isso precisa entrar no projeto. Não se deve vender como pronto algo que ainda dependerá de parametrização, conectores ou componentes externos.

Critérios de aceite úteis para decisão

Os critérios de aceite devem ser objetivos e voltados ao uso real. Alguns exemplos são: capacidade de reconhecer títulos e campos principais; preservação de parágrafos em documentos textuais; leitura aceitável de números e datas; manutenção de estrutura em páginas com colunas; e estabilidade do resultado em lote com qualidade variada. Se o projeto exigir extração de dados, o aceite também deve verificar campos críticos e taxa de intervenção manual esperada.

Os entregáveis podem incluir relatório comparativo, amostras com marcação de diferenças, recomendação de configuração, lista de limitações e orientação de uso. Em projetos mais completos, também entram parâmetros de digitalização, padrão de resolução, orientação de captura e regras para reprocessamento de páginas problemáticas. O aceite final precisa dizer, com clareza, o que a configuração atende e o que não atende.

Exemplo hipotético de teste comparativo

Suponha uma empresa com grande volume de formulários antigos e contratos escaneados. A equipe testa duas configurações de OCR em cem páginas escolhidas por diversidade de layout. A primeira lê bem textos corridos, mas erra números e datas em campos tabulados. A segunda lê melhor os campos, porém exige mais revisão em páginas com colunas. O projeto decide usar a segunda para documentos de cadastro e manter a primeira para arquivos puramente textuais. Assim, a escolha deixa de ser genérica e passa a refletir o uso de cada conjunto.

Fatores de orçamento

O orçamento depende do volume da amostra, da diversidade de layouts, da necessidade de ajustes finos, do nível de revisão manual e da existência de etapas de digitalização anteriores. Também conta se a prova precisa considerar integração com repositório, indexação posterior ou validação por amostras recorrentes. Quanto mais heterogêneo for o acervo e mais crítico for o uso dos dados extraídos, maior tende a ser o esforço de comparação e parametrização.

Perguntas frequentes