PDF-urile, obstacol major pentru inteligența artificială: de ce formatele folosite de decenii încetinesc progresul tehnologic Formatul PDF, lansat în 1993 de către Adobe, a devenit rapid standardul pentru documentele digitale, fiind preferat în mediile oficiale, academice și administrative

PDF-urile, structura improvizată ce încetinește AI-ul

Deși tehnologia AI poate analiza texte și imagini cu rapiditate, ea întâmpină probleme majore în cazul fișierelor PDF. La un nivel fundamental, aceste fișiere sunt similare unor „fotografii” ale documentelor, conținând instrucțiuni pentru redarea exactă a fiecărei pagini, fără însă a oferi indicii clare despre organizarea conținutului. De multe ori, PDF-urile păstrează layout-uri complexe, cum ar fi coloane multiple, grafice sau tabele, ceea ce face dificil pentru programe să determine ordinea corectă a informațiilor sau să distingă între elementele de text și cele grafice.

„Fișierele PDF au fost concepute în primul rând pentru citirea de către oameni, nu de către programe,” explică specialiști în domeniu. În plus, extragerea textului din PDF necesită utilizarea tehnologiilor de recunoaștere optică a caracterelor (OCR). Chiar dacă tehnologiile OCR s-au îmbunătățit considerabil, ele se bazează pe recunoașterea imaginilor, și nu pe înțelegerea semantică a documentului. Astfel, scanările, manuscrisele sau fișierele cu grafice complexe pot fi interpretate greșit sau pot duce la rezultate incomplete.

Comparativ, formatele web precum HTML includ deja etichete explicite pentru structurarea informației, ceea ce le face mult mai ușor de analizat de către AI. În cazul unui document HTML, AI-ul poate identifica clar titlurile, subtitlurile, paragraphele și alte structuri, facilitând astfel procesarea și extragerea de informații.

Impactul asupra evoluției AI și a volumului de date accesibile

Limitările PDF-urilor nu afectează doar utilizatorii individuali ce doresc să analizeze documente complexe, ci au repercusiuni și asupra industriei de inteligență artificială în ansamblu. În fapt, o mare parte din datele disponibile în mediul corporate și academic sunt stocate în format PDF. Se estimează că între 80% și 90% dintre datele nestructurate din companii sunt fie PDF-uri, fie alte formate greu de analizat automat, cum ar fi înregistrările audio și video.

Ce înseamnă aceasta pentru dezvoltarea AI-ului? În primul rând, cantitatea de date valoroase pentru antrenament se limitează semnificativ, iar obstacolele legate de citirea și interpretarea fișierelor PDF restricționează potențialul de învățare al modelelor avansate. În timp ce cercetătorii încearcă să creeze soluții pentru a depăși aceste limitări, realitatea este că orice progrese concrete sunt încă în stadiu incipient. În plus, modul în care AI-ul poate interpreta corect informațiile devine un factor critic pentru aplicații precum rezumarea automată, analiză de conținut și asistență pentru luarea deciziilor.

Căutarea unui nou standard sau tehnologii de avangardă

În această perioadă de provocări, mai multe startup-uri și companii de tehnologie caută soluții inovatoare pentru a optimiza modul de procesare al documentelor. Un exemplu este startup-ul israelian Factify, care a atras recent peste 70 de milioane de dolari pentru dezvoltarea unui format de documente alternativ, menit să păstreze beneficiile PDF-ului — adică portabilitatea și fidelitatea formatului original — dar să fie mult mai prietenos pentru analiza automată. Ideea este să se creeze un format structurabil, care să combine avantajele vizuale ale PDF-ului cu capacitatea AI de interpretare.

De asemenea, compania europeană Mistral a lansat un sistem OCR bazat pe inteligență artificială, menit să accelereze și să îmbunătățească citirea documentelor PDF. Încă de la debut, însă, rezultatele nu au fost spectaculoase, riscând să semene mai mult cu o etapă de testare a tehnologiei decât cu o soluție matură pe piață.

În prezent, PDF-ul continuă să fie liderul incontestabil pentru stocarea și transmiterea documentelor digitale. Însă, pe măsură ce AI-ul devine tot mai avansat și nevoia de analiză rapidă și precisă a datelor crește, presiunea pentru dezvoltarea unor formate și tehnologii care să faciliteze această interacțiune între om și mașină devine din ce în ce mai puternică. În următorii ani, probabil, vom asista la apariția unor standarde hibrid, menite să îmbine avantajele formatelor tradiționale cu necesitatea de a face datele mai accesibile și mai ușor de interpretat automat.

Sursa: Mediafax