رونویسی اسناد با کلود؛ از عکس فرم و دست‌خط تا دادهٔ ساخت‌یافته

یک شرکت پخش دارو در تهران را تصور کن که بایگانی‌اش پر است از فرم‌های کاغذی: رسید تحویل به داروخانه، فرم مرجوعی، برگهٔ کنترل دما در حمل سردخانه‌ای. هر برگه بخشی چاپی دارد و بخشی دست‌نویس؛ پایینش هم چند مربع تیک‌خورده. حسابداری برای بستن هر ماه باید همین‌ها را دانه‌دانه در اکسل وارد کند و همیشه چند روز عقب است. شرکت یک‌بار سراغ نرم‌افزار او‌سی‌آر رفته و نتیجه این بوده که متن چاپی نسبتاً درست درآمده، دست‌خط تقریباً هیچ، و مربع‌های تیک‌خورده هم که اصلاً دیده نشده‌اند.

مشکل این نبود که او‌سی‌آر بد کار می‌کرد؛ مشکل این بود که او‌سی‌آر فقط «می‌بیند» و «نمی‌فهمد». پیکسل را به حرف تبدیل می‌کند و کارش تمام است. اما آنچه شرکت لازم داشت، فهمِ برگه بود: کدام عدد شماره فاکتور است، کدام مربع تیک خورده، آن جملهٔ دست‌نویس گوشهٔ برگه یادداشت راننده است یا اصلاح مبلغ. این دقیقاً همان مرزی است که مدل‌های بینایی از آن عبور کرده‌اند و درس امروز دربارهٔ همان است: چطور یک عکس سند را به مدل بدهیم و به‌جای «متن خام»، دقیقاً همان چیزی را بگیریم که لازم داریم — در قالبی که خودمان تعیین کرده‌ایم.

آنچه در این درس یاد می‌گیرید

• تفاوت بنیادی رونویسی با مدل بینایی و او‌سی‌آر کلاسیک، و اینکه چرا این تفاوت در فرم‌های واقعی خودش را نشان می‌دهد
• شکل دقیق درخواست: چطور عکس را کدگذاری کنیم و کنار پرسش در یک پیام بگذاریم
• پنج سناریوی رونویسی که مستندات رسمی روی آن‌ها مثال زده است، از متن چاپی تا نمودار سازمانی
• هنر «رونویسی انتخابی»: چطور بگوییم فقط این تکه را بنویس و بقیه را نادیده بگیر
• گرفتن خروجی ساخت‌یافته از عکس، بدون هیچ مرحلهٔ پردازش بعدی
• نکته‌های عملی: نوع فایل، سقف توکن، چند تصویر در یک درخواست و روش صحت‌سنجی نتیجه

چرا این کار با او‌سی‌آر فرق دارد

هستهٔ ماجرا یک جملهٔ کوتاه است: در او‌سی‌آر تو خروجی را انتخاب نمی‌کنی، در مدل بینایی انتخاب می‌کنی. موتور او‌سی‌آر هر چه روی برگه است بیرون می‌ریزد و مرتب‌کردنش کار توست. اما وقتی عکس را به مدل می‌دهی، همراهش یک دستور هم می‌فرستی و آن دستور تعیین می‌کند خروجی چه باشد: کل متن، فقط بخشی از متن، جواب یک پرسش دربارهٔ سند، یا یک ساختار دادهٔ کامل.

این تفاوت در اسناد ساده چندان به چشم نمی‌آید. در یک صفحهٔ تایپ‌شدهٔ تمیز، او‌سی‌آر هم جواب می‌دهد و ارزان‌تر هم تمام می‌شود. تفاوت جایی خودش را نشان می‌دهد که سند «مرتب» نیست: فرمی که هم چاپی است هم دست‌نویس، جدولی که ستون‌هایش با خط‌کش کشیده نشده، نموداری که معنایش در چیدمان فضایی‌اش است نه در کلماتش. آنجا او‌سی‌آر یک مشت کلمهٔ بی‌ترتیب تحویل می‌دهد و مدل بینایی چیزی می‌دهد که مستقیم قابل استفاده است.

شکل درخواست: عکس و دستور، کنار هم

ساختار پیام یک نکتهٔ کلیدی دارد: عکس و متن هر دو «بلوک محتوا» در همان پیام کاربر هستند. عکس را به شکل رشتهٔ بیس۶۴ می‌فرستی و نوع فایل را هم صریح اعلام می‌کنی.