← Zurück zu allen Fragen
Wie funktioniert OCR und wie lesen Maschinen Dokumente?
OCR steht für Optical Character Recognition und bezeichnet die automatische Texterkennung in Bildern. Moderne Dokumentenverarbeitung ist dabei eine ganze Pipeline: Das Bild wird vorverarbeitet, Textbereiche werden gefunden, das Layout wird analysiert und erst danach werden die Zeichen erkannt. Heutige Systeme lesen nicht mehr Buchstabe für Buchstabe, sondern bestimmen mit einem Transformer-Modell die wahrscheinlichste Textsequenz, wodurch sich einzelne Erkennungsfehler aus dem Zusammenhang korrigieren lassen.
Das erfährst du in der Folge zusätzlich:
- Warum CNNs und Vision Transformer für die Erkennung eingesetzt werden
- Warum synthetische Trainingsdaten bei OCR besonders gut funktionieren
Mehr dazu in Folge 58: Wie funktioniert OCR? - Wie Maschinen Dokumente lesen →
Verwandte Fragen
- Was ist das Context Window eines Sprachmodells?
- Was sind Halluzinationen bei KI und warum passieren sie?
- Was sind Parameter bei einem KI-Modell?
- Wie viel Arbeitsspeicher (RAM/VRAM) braucht man für ein KI-Modell?
- Was sind Reasoning-Modelle und was ist Chain of Thought?
- Wie funktioniert die Transformer-Architektur hinter ChatGPT & Co.?
- Was ist der Unterschied zwischen Künstlicher Intelligenz, Machine Learning und Deep Learning?
- Was ist der Unterschied zwischen Google und ChatGPT?
- Was ist ein Token bei einem Sprachmodell?
- Was ist Quantisierung bei KI-Modellen?
- Was ist RAG (Retrieval Augmented Generation)?
- Was sind Embeddings und wozu braucht man sie?
- Wie lernt ein neuronales Netz aus seinen Fehlern?
- Kann ich ein LLM lokal und kostenlos auf meinem PC betreiben?
- Was ist eine Kostenfunktion und wie lernen KI-Modelle damit?
- Was ist Mixture of Experts (MoE) bei KI-Modellen?
- Was ist Model Distillation (Knowledge Distillation)?