![熊本大学とTOPPAN、くずし字AI-OCRで未解読だった「細川家文書」約5万枚の解読に成功。検索システムも構築](https://cdn-ak-scissors.b.st-hatena.com/image/square/463d0d7dca3ae2c845c76cee27ed81634679c556/height=288;version=1;width=512/https%3A%2F%2Finternet.watch.impress.co.jp%2Fimg%2Fiw%2Flist%2F1611%2F895%2F00.jpg)
2019年11月20、21日の2日間、LINE株式会社が主催するエンジニア向け技術カンファレンス「LINE DEVELOPER DAY 2019」が開催されました。1日目は「Engineering」をテーマに、LINEの技術の深堀りを、2日目は「Production」をテーマに、Web開発技術やUI/UX、プロジェクトマネジメントなど、より実践的な内容についてたくさんのプレゼンテーションが行われました。「NAVER ClovaのOCR(光学的文字認識) 」に登壇したのはNAVER OCR Team AI ResearcherのHwalsuk Lee氏。深層学習を用いたOCR技術の仕組みについて語りました。講演資料はこちら LINEのOCR技術の仕組み Hwalsuk Lee氏:みなさま、こんにちは。Hwalsuk Leeと申します。NAVER Clova OCR Teamから参りました。今
作ったもの 紙の書類などスキャンして管理してると ↓こんな感じでファイル名がカオスになりがち… そこで、今回のツールを一発たたくとこうなります。 何となく中身が推測できるようになりました。 このツールは何? 請求書・名刺・Webページなどのpdf・画像ファイルの中身を読み取り、重要(っぽい)ワードで自動リネームするツールです。 内部では以下を行ってます。 ファイルをGoogle Driveにアップロード (G Suiteが理想) OCRされたテキストを抽出 重要部分をNTTコミュニケーションズの固有表現抽出APIで抽出 (企業名とかの専門用語辞書使うと精度上がるっぽいけど無料版だと使えない…) 日付、会社名、人名を結合したファイル名を作りリネーム 動作確認環境 Mac 10.14.3 Python 3.7.2 動かし方手順 1.ファイルをGoogle Drive APIでアップロードできる
日本年金機構のデータ入力ミスの波紋が広がっている。入力業務の外部委託先であるSAY企画(東京・豊島)の不手際などから、所得税源泉徴収額の計算を誤り、年金(老齢年金)受給者約14万9000人の支給額に影響があった。 個人情報を含むデータ入力の外部委託は官民ともに珍しいことではない。だがSAY企画が契約に違反して中国の業者に再委託し、入力ミスを多発させたのは言語道断だ。そのような業者に発注し、監督し切れなかった年金機構の責任も重い。 マークシートなどは採用せず ただ、筆者はもう少し根本的なところに3つの課題があるとみている。1つ目は申告書の様式だ。 年金機構は扶養家族の状況を把握して所得税額を計算するために、年金受給者に毎年、申告書の提出を求めている。一般的な会社員が会社に提出する、いわゆる「年末調整」の書類に似ている。年金機構は年金受給者に対し、「平成30年(2018年)分 公的年金等の受給
日本年金機構が委託した業者のデータ入力で約95万2000人分にミスがあった問題は、機構側のずさんな業務管理が一因だった。 うち入力漏れの約8万4000人分で過少支給が判明。さらに約31万8000人分の一部で支給額に誤りがある見通しで、機構は26日にも詳細を公表する。度重なる不祥事に、識者は「体制を抜本的に見直す必要がある」と指摘している。 ◆「まさか」 「まさかスキャナーで読み取っているとは……」。ある厚生労働省幹部は、主なミスの原因が業者の契約に反した入力方法にあり、それを見逃してきた機構のチェックの甘さにあきれた。 機構が所得控除などに関するデータ入力を委託した情報処理会社「SAY企画」(東京都豊島区)は、2人1組で手入力するという本来の入力方法ではなく、スキャナーを使って紙のデータを読み取っていた。機械が誤認識した漢字などが残り、配偶者の所得区分を示す丸印も誤って認識され、過少支給な
約2カ月前、あるニュースに目が釘付けになった。凸版印刷が、江戸時代以前のくずし字を自動解読し、テキストデータ化する「くずし字OCR」なる技術を開発した、というのだ。多くの人にとっては日常的なニュースの一つかもしれない。しかし、大学時代に日本史を専攻・研究していた筆者にとっては驚くべき事態だ。 くずし字は、そう簡単に読めるものではない。少なくとも筆者はマスターできなかった。いくらテクノロジーの進化が日進月歩とはいえ、OCRで自動解読できるとは、にわかに信じがたいことだ。真相を探るべく、凸版印刷に向かった。出迎えてくれたのは、同社情報コミュニケーション事業本部の大澤留次郎氏と山本純子氏だ(写真)。
凸版印刷は7月3日、江戸期以前のくずし字で記されている古典籍の文字を判別し、テキストデータ化するOCR技術を開発したと発表した。 専門家の減少、資料の経年劣化という問題に加え、大規模災害によって失われる可能性もある歴史資料のデジタル化の必要性が高まっている。しかし総数100万点以上ともいわれる江戸期以前のくずし字で記されている古典籍は専門家による判読が必要なためテキストデータ化が遅れていた。 凸版印刷では、古文書を高い精度で出来すとデータ化する「高精度全文テキスト化サービス」を2013年から提供、この技術をベースに公立学校法人公立はこだて未来大学が開発した「文書画像で検索システム」と組み合わせ、くずし字で記されている古典籍のOCR技術を開発した。 技術としては、すでにテキストデータ化済みの文献をくずし字のデータベースとして用いることでくずし字を判読するもの。原理検証実験では、くずし字で記さ
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く