Werkzeuge
·
2 MIN
Baidu OCR im Stack: warum klassische Texterkennung neben visueller Suche bleibt
OCR ist nicht tot. PaddleOCR-VL liefert durchsuchbaren Text dort, wo visuelle Suche allein nicht reicht.
LOCATION
Worldwide
SERIES
RAG Architectures
AUTHOR
Aashwin Shrivastava
PUBLISHED
Bei aller Begeisterung für visuelle Dokumentensuche lohnt ein nüchterner Satz: OCR ist nicht tot. Moderne Texterkennung wie Baidus PaddleOCR-VL ist so gut und so günstig geworden, dass sie neben dem visuellen Retrieval einen festen Platz behält, nicht als Konkurrenz, sondern als die Stufe, die durchsuchbaren, kopierbaren, prüfbaren Text liefert. Die richtige Frage ist nicht OCR oder visuelle Suche, sondern wofür jeweils welches.
01.
Was visuelle Suche bewusst nicht liefert
Visuelle Retrieval-Modelle finden die richtige Seite, auch in einem schwierigen Scan. Aber sie geben Ihnen ein Bild zurück, keinen Text. Sie können daraus nicht ohne Weiteres eine Zeile kopieren, keine Volltextsuche über das Archiv legen, keine maschinenlesbare Prüfspur bauen. Für all das brauchen Sie erkannten Text. Das ist keine Schwäche des neuen Ansatzes, sondern eine bewusste Arbeitsteilung: Suche auf dem Bild, Textgewinnung per OCR, jede Stufe für das, was sie am besten kann.
02.
Was PaddleOCR-VL kann
Baidu hat mit PaddleOCR-VL ein offenes OCR-Modell vorgelegt, das mit nur 0,9 Milliarden Parametern Spitzenwerte erreicht (Projekt). Es erkennt Text, Tabellen, Formeln und Diagramme in 109 Sprachen und rekonstruiert die semantische Struktur eines Dokuments. Auf dem OmniDocBench-v1.5-Benchmark steht es mit rund 94,5% Genauigkeit vorn. Es steht unter der Apache-2.0-Lizenz, ist also kommerziell frei nutzbar und lokal betreibbar. Für einen Mittelständler heißt das: starke Texterkennung ohne laufende Gebühr und ohne Datenabfluss.
03.
Der hybride Aufbau
Praktisch laufen beide Wege nebeneinander. Die visuelle Suche findet die relevanten Seiten schnell und layouttreu. Wo daraus harter Text werden muss, etwa für eine Rechnungsposition, eine Vertragsklausel zum Zitieren oder einen Eintrag ins ERP, übernimmt OCR auf genau diesen wenigen Seiten. Man muss nicht das ganze Archiv durch OCR schicken, sondern nur das, was die Suche bereits als wichtig markiert hat. Das hält die Pipeline schlank und vermeidet, dass OCR-Fehler von Anfang an in die Suche einsickern.
04.
Die pragmatische Linie
Entweder-oder ist hier die falsche Haltung. Visuelle Suche verbessert das Finden, OCR verbessert das Weiterverarbeiten. Wer beides als Werkzeuge mit klaren Aufgaben begreift, baut die belastbarere Wissensdatenbank als jemand, der dogmatisch auf eine Seite setzt. Wie die Bausteine zusammengehören, vom Encoder bis zur Vektordatenbank, steht im Stack-Überblick.
