Gli OCR sono stata una rivoluzione. Ci basta pensare al loro apporto nella digitalizzazione di miliardi di documenti cartacei o al ruolo che svolgono nell’indicizzazione sui motori di ricerca. Oggi però di rivoluzione ne abbiamo un’altra, ben più impattante: l’intelligenza artificiale, ovviamente. E nel contesto delle tecnologie dell’AI ora ci sono i Vision Language Model: potenti modelli multimodali che uniscono la visione artificiale e il linguaggio.
Anche gli OCR si appoggiano all’AI, ma i VLM possono comprendere immagini, rispondere a domande e generare contenuti. Significa davvero la fine dell’epoca degli OCR?
Cerchiamo di rispondere a questa domanda esplorando cosa sono queste tecnologie e confrontandole tecnicamente.
Indice dei contenuti
Cosa sono gli OCR?
Gli OCR (Riconoscimento Ottico dei Caratteri), sono tecnologie progettate per convertire immagini di testo. Parliamo di:
- scansioni di documenti,
- fotografie di cartelli,
- o pagine di libri.
Quindi sostanzialmente sono in grado di leggere qualsiasi testo cartaceo e convertirlo in testo digitale leggibile e modificabile da un computer. Questa capacità ha rivoluzionato la digitalizzazione di archivi, rendendo possibile trasformare pile di carta in file ricercabili con un semplice click. File che oltre a essere ricercabili, si possono inviare più facilmente da un ufficio all’altro (o meglio, mettere in cloud) e sono catalogabili senza bisogno di giganteschi archivi fisici. Archivi, che oltre a occupare enormi quantità di spazio, sono anche distruttibili fisicamente, con conseguenze disastrose.
Questa foto mostra l’incendio che è stato appiccato al Palazzo di Giustizia di Bogotà (Colombia) nel 1985. Gli OCR sono nati negli anni ’70 con sistemi rudimentali basati su pattern recognition. Se fossero già stati avanzati come oggi nell’85 (e appoggiati dalle infrastrutture digitali adeguate) molte prove e atti giudiziari non sarebbero andati persi per sempre. E questo è solo un esempio indicativo.
Gli OCR oggi sfruttano l’intelligenza artificiale, in particolare reti neurali convoluzionali, per riconoscere testi in diversi font, lingue e persino calligrafie. Quindi gli OCR attuali non si limitano a leggere, ma migliorano l’efficienza operativa analizzando dati visivi. Perciò sono diventati indispensabili in settori come quello legale, finanziario e bibliotecario, dove la precisione è tutto.
E cosa sono i Vision Language Model?
I Vision Language Model invece – come descritto brevemente in introduzione – sono modelli di intelligenza artificiale multimodali che combinano visione artificiale ed elaborazione del linguaggio naturale.
Addestrati su enormi dataset di coppie immagine-testo, come foto con didascalie, questi modelli usano architetture avanzate, spesso basate su trasformatori, per collegare concetti visivi e linguistici. Ad esempio, un VLM può descrivere una scena (“Un cane corre in un parco”) o rispondere a domande (“Che ora segna l’orologio nella foto?”). Modelli come CLIP di OpenAI o LLaVA dimostrano versatilità in compiti come la classificazione di immagini, la generazione di testo o il Visual Question Answering.
Rispetto agli OCR, che si limitano a estrarre testo, i VLM vanno oltre, interpretando contesti visivi complessi. Per questo il loro avvento e il loro sviluppo può farci pensare che l’epoca degli OCR stia finendo. Ma le cose sono più complesse di così, come al solito.
Infatti, la precisione dei VLM vacilla su dettagli fini, rendendoli per ora complementari (ma non sostitutivi), degli OCR.
Le parole non ci bastano. Andiamo a fare un confronto tecnico.
Confronto tecnico tra OCR e VLM in 4 punti
1) Funzionalità e scopo
Gli OCR sono progettati specificamente per il riconoscimento del testo, concentrandosi sull’estrazione accurata di caratteri da immagini. Sono ottimizzati per gestire testi stampati, manoscritti e layout complessi, come documenti legali o ricevute. I VLM, invece, sono modelli generali che possono eseguire una gamma più ampia di compiti, come rispondere a domande su immagini, generare didascalie o classificare immagini basate su descrizioni testuali.
Quindi gli OCR sono più specifici e ampiamente collaudati al riguardo; i VLM invece hanno più funzioni ma sono meno attendibili degli OCR rispetto alle funzioni specifiche.
2) Architettura e tecnologia
Gli OCR tradizionali usano tecniche di elaborazione delle immagini, come l’estrazione di caratteristiche e il riconoscimento dei pattern, spesso supportati da algoritmi di machine learning. I sistemi più moderni possono anche incorporare reti neurali convoluzionali per migliorare l’accuratezza. I VLM, d’altra parte, si basano su architetture di trasformatori, inizialmente sviluppate per l’elaborazione del linguaggio naturale, e integrate con encoder visivi per processare immagini. Questo rende i VLM più versatili, ma – di nuovo – potenzialmente meno precisi per il riconoscimento del testo e altri compiti specifici sui quali gli OCR sono maggiormente collaudati.
3) Requisiti di dati e addestramento
Gli OCR possono essere addestrati su dataset specifici di immagini di testo, come caratteri stampati o manoscritti, con un focus su dettagli come font e layout. I VLM richiedono dataset vasti e diversificati di coppie immagine-testo, come milioni di immagini con descrizioni, per imparare la corrispondenza tra concetti visivi e linguistici.
4) Precisione e Limiti
Uno studio recente pubblicato su arXiv confronta le prestazioni di VLM e OCR per compiti di estrazione di informazioni da immagini retail. I risultati, mostrati nella tabella sottostante, indicano che i VLM eccellono in alcune categorie, come “brand” e “price”, ma faticano con dettagli fini, come “reference weight” o “name”, dove gli OCR possono essere più affidabili.
Quindi mentre i VLM come GPT-4o raggiungono il 100% di precisione per “brand”, faticano con compiti più specifici, suggerendo che gli OCR rimangono superiori per estrazioni di testo dettagliate.
Ma quindi davvero l’epoca degli OCR è finita?
No, l’epoca degli OCR non è finita. Sebbene i VLM stiano avanzando rapidamente, come evidenziato da recenti sviluppi in modelli come Florence-2, la loro applicazione principale non è sostituire gli OCR per compiti di riconoscimento del testo con alta precisione.
Gli OCR sono ancora essenziali in settori come quello legale, finanziario e sanitario, dove anche un piccolo errore può avere conseguenze significative. Tuttavia, i VLM offrono vantaggi per compiti più generali, come la comprensione multimodale, quindi potrebbero ridurre la necessità di OCR in contesti meno critici, come la descrizione di immagini o la risposta a domande visive.
Un dettaglio interessante che ci riconferma che gli OCR sono vivi e vegeti, è che i VLM possono “inventare” testo. Ciò è riportato in discussioni e forum dedicati, dove si legge che un VLM ha generato nomi falsi in documenti genealogici, evidenziando un rischio di inaccuratezza che gli OCR, con il loro focus specifico, tendono a evitare. Cosa che succede un po’ con tutti i modelli multimodali di larga diffusione.
A ChatGPT, Gemini, Grok, DeepSeek, Qwen e via dicendo, se non poni domande specifiche possono essere imprecise o inventarsi cose di sana pianta. È tutta una questione di prompt e di conoscenza dei focus che hanno le tecnologie che usiamo. E queste differenze di focus e utilizzo ci aprono a una visione del progresso tecnologico calibrata sulla complementarietà piuttosto che sulla sostituzione.
