Taranmış Arşiv Taramalarını Aranabilir Yapmak: OCR mi, Yeniden Yazım mı?

Bir kurumun arşiv dolabında yıllarca birikmiş binlerce sayfa taranmış evrak olduğunu düşünün: eski sözleşmeler, personel dosyaları, teknik şartnameler, faturalar. Bu belgeler dijital ortamda duruyor ama aslında hâlâ "kağıt" — çünkü her biri tek bir görüntü dosyası gibi davranıyor. İçlerinde tek bir kelime bile aratılamıyor. Birisi üç yıl önceki bir sözleşmedeki belirli bir maddeyi bulmak istediğinde, tek çare dosyaları tek tek açıp gözle taramak oluyor.

Bu senaryo aslında OCR'ın (Optik Karakter Tanıma) var olma sebebi. Ama arşiv taraması söz konusu olduğunda, doğru yöntemi seçmek göründüğünden daha nüanslı bir karar. Bu yazıda taranmış arşiv belgelerini aranabilir hale getirmenin farklı yollarını, her birinin ne zaman işe yaradığını ve nelere dikkat etmeniz gerektiğini tarafsızca ele alıyoruz.

Sorunun kökeni: Taranmış PDF neden aranamaz?

Bir belgeyi tarayıcıdan geçirdiğinizde ya da telefonla fotoğrafını çekip PDF'e dönüştürdüğünüzde, ortaya çıkan dosya aslında bir dizi resimdir; PDF formatına sarılmış olsa da içeriği metin değil, pikseldir. PDF okuyucusu ya da tarayıcı, o sayfada "fatura no: 4521" yazdığını bilemez — sadece belirli bir desende karanlık ve açık piksellerin dizilimini görür.

Bunun sonucu üç pratik sorun doğurur: Ctrl+F ile arama yapılamaz, metin kopyalanıp yapıştırılamaz ve ekran okuyucular içeriği seslendiremez. Tek bir sözleşme için bu can sıkıcı bir detay olabilir ama binlerce sayfalık bir arşiv için işi tamamen kullanılamaz hale getirir.

Alternatif 1: Belgeleri elle yeniden yazmak (manuel dizin/transkripsiyon)

Küçük ölçekli arşivlerde bazı kurumlar hâlâ personel eliyle "önemli belgelerin" başlığını, tarihini ve konusunu bir Excel tablosuna işleyip fiziksel arama yerine bu tabloyu kullanır. Bu yöntem, belge sayısı 50-100'ü geçmediğinde ve aranan bilginin sadece üst düzey meta veri (tarih, gönderen, konu) olduğu durumlarda makul bir seçenektir. Ancak belge içeriğinin tamamında geçen bir ifadeyi (örneğin bir madde numarasını ya da bir ürün kodunu) bulmanız gerekiyorsa bu yöntem yetersiz kalır — çünkü tablo sadece sizin önceden seçtiğiniz alanları kapsar, belgenin tam metnini değil.

Alternatif 2: Belgeleri sıfırdan yeniden yazdırmak (retype)

Bazı ekipler, özellikle hukuki veya resmi belgelerde, tarama yerine belgeyi elden geçirip dijital bir kopyasını yeniden oluşturur. Bu, en yüksek doğruluğu sağlayan yöntemdir çünkü insan gözü bağlamı anlar ve hata payı teorik olarak sıfıra iner. Ama maliyeti de en yüksek olanıdır: sayfa başına dakikalar süren bir iş yükü, büyük arşivlerde haftalar hatta aylar sürebilir. Bu yöntem genellikle yalnızca çok az sayıda, çok kritik belge için (örneğin bir mahkemeye sunulacak tek bir dilekçe) tercih edilir; yüzlerce-binlerce sayfalık bir arşiv taraması için pratik değildir.

Alternatif 3: OCR ile otomatik metin katmanı ekleme

OCR yaklaşımı, taranmış sayfanın görüntüsünü olduğu gibi korurken, altına görünmez ama seçilebilir bir metin katmanı yerleştirir. Yani sayfa gözle bakıldığında orijinal taranmış görüntü gibi görünmeye devam eder — imza, damga, kağıt dokusu, eskime izleri hepsi olduğu gibi kalır — ama artık o sayfada Ctrl+F ile arama yapılabilir, metin seçilip kopyalanabilir.

Bu yöntemin arşiv taraması için cazip olmasının nedeni ölçeklenebilirliği: yüzlerce sayfa aynı anda işlenebilir, sayfa başına saniyeler mertebesinde bir süre gerekir ve orijinal görsel bütünlük bozulmaz — ki bu, resmi belgelerde önemlidir çünkü imza ve damga gibi unsurların "gerçek" görüntü olarak kalması genelde beklenir.

Elbette OCR mükemmel değildir. Baskı kalitesi düşükse, el yazısı içeriyorsa ya da tarama sırasında sayfa eğik/bulanık kaldıysa tanıma doğruluğu düşebilir. Bu yüzden OCR sonrası çıktıyı, en azından kritik belgelerde, örnekleme yoluyla gözden geçirmek makul bir alışkanlıktır.

Hangi durumda hangi yöntem daha mantıklı?

Karar aslında üç soruya indirgenebilir:

Belge sayısı ne kadar? Birkaç düzine belgeden bahsediyorsanız ve sadece meta veri aranacaksa, manuel bir dizin tablosu yeterli olabilir. Yüzlerce ya da binlerce sayfa varsa OCR dışında pratik bir seçenek kalmıyor.

Aranan şey ne? Sadece "bu belge kimden geldi, ne zaman" gibi üst bilgiler yeterliyse dizin tablosu işe yarar. Belgenin tam metninde geçen herhangi bir kelimeyi, madde numarasını ya da ifadeyi bulmanız gerekiyorsa OCR ile tam metin araması şart.

Orijinal görünüm korunmalı mı? Resmi arşivlerde, imzalı sözleşmelerde ya da kanıt niteliği taşıyan belgelerde, sayfanın orijinal taranmış hâlinin bozulmaması önemlidir. OCR bunu sağlar çünkü görüntüyü değiştirmez, sadece arkasına metin ekler. Belgeyi tamamen yeniden yazmak ise orijinal görsel kanıtı ortadan kaldırır — bu da bazı hukuki ya da idari süreçlerde istenmeyen bir durumdur.

Arşiv taraması için pratik bir yaklaşım

Büyük bir arşivi aranabilir hale getirirken en sık işe yarayan yöntem, belgeleri gruplar hâlinde OCR'dan geçirip önce en sık erişilen ya da en kritik kategorilerden başlamaktır — örneğin önce son beş yılın sözleşmeleri, sonra daha eski personel dosyaları gibi. Bu şekilde arama işlevselliği kademeli olarak devreye girer ve tüm arşivin bir kerede işlenmesini beklemeden değer üretmeye başlarsınız.

İşlenen dosyaları OCR sonrası kısa bir örneklemeyle kontrol etmek — özellikle tarih, isim, rakam gibi kritik alanların doğru tanınıp tanınmadığını görmek için birkaç sayfayı açıp aramak — güven oluşturmanın en pratik yoludur. Tüm arşivi tek tek doğrulamak gerekmez; örnekleme genelde yeterli bir fikir verir.

Sonuç

Taranmış arşivleri aranabilir hale getirmek için tek bir "doğru" yöntem yok; ölçek, doğruluk beklentisi ve orijinal görünümü koruma ihtiyacı bu kararı şekillendiriyor. Küçük ölçekte manuel dizinleme, çok kritik tekil belgelerde yeniden yazım anlamlı olabilir. Ama orta ve büyük ölçekli arşivlerde, hem hızı hem de orijinal belge bütünlüğünü koruma dengesini kurduğu için OCR ile metin katmanı ekleme, çoğu durumda en pratik seçenek olarak öne çıkıyor.