Handwritten German Administrative Forms (HGAF): A Dataset for Handwriting Recognition with Fine-Tuned and Zero-Shot Baselines

जर्मनी के कार्यालयों और सरकारी भवनों के शांत कोनों में, कागजी कार्रवाई का एक विशाल हिस्सा अभी भी अपने मूल, भौतिक रूप में मौजूद है। डिजिटल युग के बावजूद, वहां लगभग चालीस प्रतिशत कंपनियां अभी भी अपने प्रशासनिक कार्यों का आधा हिस्सा कागज पर ही निपटाती हैं, और कई अन्य तो इस पर और भी अधिक निर्भर हैं। यह एक निरंतर बाधा उत्पन्न करता है: फॉर्म पर लिखी गई हस्तलिखित टिप्पणियों को उपयोगी बनाने के लिए डिजिटल डेटा में परिवर्तित किया जाना चाहिए। जबकि कंप्यूटर मुद्रित (printed) टेक्स्ट को पढ़ने में असाधारण रूप से कुशल हो गए हैं, वे मानवीय हस्तलेखन के साथ संघर्ष करते हैं, विशेष रूप से तब जब वह लेखन निरंतर वाक्यों के बजाय छोटे, अलग-थलग बक्सों में बिखरा हुआ हो। चुनौती केवल अक्षरों को पहचानने की नहीं है, बल्कि यह समझने की भी है कि कौन सा शब्द किस विशिष्ट क्षेत्र, जैसे कि नाम, तिथि या हस्ताक्षर से संबंधित है। संवेदनशील व्यक्तिगत जानकारी से निपटने वाले संगठनों के लिए, समाधान यह नहीं हो सकता कि इन दस्तावेजों को क्लाउड सर्वर पर भेजा जाए; डेटा को कंपनी की अपनी सुरक्षित दीवारों के भीतर ही रहना चाहिए। यह बाधा विशेष, कस्टम सॉफ्टवेयर बनाने या शक्तिशाली, सामान्य-उद्देश्य वाले आर्टिफिशियल इंटेलिजेंस का उपयोग करने के बीच एक कठिन विकल्प पेश करती है, जिसने पहले कभी उस विशिष्ट फॉर्म को नहीं देखा हो।

कार्ल्सरूहे यूनिवर्सिटी ऑफ एप्लाइड साइंसेज के शोधकर्ताओं की एक टीम ने इस सटीक परिदृश्य के लिए एक नया बेंचमार्क बनाकर इस पहेली को हल करने का प्रयास किया। उन्होंने 95 अलग-अलग लोगों द्वारा भरे गए 291 वास्तविक दुनिया के प्रशासनिक फॉर्म एकत्र किए, ताकि एक डेटासेट बनाया जा सके जिसे उन्होंने 'हैंडरिटन जर्मन एडमिनिस्ट्रेटिव फॉर्म्स' नाम दिया। यह सुनिश्चित करने के लिए कि डेटा गोपनीयता का उल्लंघन किए बिना सार्वजनिक रूप से साझा किया जा सके, इसकी सामग्री सिंथेटिक (कृत्रिम) थी, जिसका अर्थ है कि नाम और पते नकली थे, लेकिन हस्तलेखन वास्तविक और विविध था। शोधकर्ताओं ने एक ही फॉर्म के तीन अलग-अलग संस्करण डिजाइन किए, जिन्हें लेआउट A, B और C लेबल किया गया। लेआउट A विशाल और भरने में आसान था, लेआउट B एक संक्षिप्त तालिका (table) थी जिसने लोगों को छोटा लिखने के लिए मजबूर किया, और लेआउट C में कोई बॉक्स नहीं था, जिससे लेखक को अपने उत्तर रखने के लिए स्थान स्वयं तय करना पड़ा। महत्वपूर्ण रूप से, प्रत्येक लेखक ने तीनों लेआउट को बिल्कुल एक ही जानकारी के साथ भरा, जिससे टीम को यह अलग करने में मदद मिली कि कागज के आकार और संरचना ने टेक्स्ट को पढ़ने की कंप्यूटर की क्षमता को कैसे प्रभावित किया।

अध्ययन ने इन फॉर्मों को डिजिटल बनाने के दो अलग-अलग दृष्टिकोणों की तुलना की। पहला एक "स्पेशलिस्ट" पाइपलाइन था, जो एक पारंपरिक तरीका है जहाँ एक कंप्यूटर प्रोग्राम पहले हस्तलेखन के प्रत्येक व्यक्तिगत बॉक्स को काटता है, उसे साफ करता है, और फिर उसे एक ऐसे मॉडल को भेजता है जिसे हजारों समान उदाहरणों पर विशेष रूप से प्रशिक्षित किया गया है। दूसरा दृष्टिकोण "विज़न-लैंग्वेज मॉडल्स" का उपयोग करता था, जो एक प्रकार का आर्टिफिशियल इंटेलिजेंस है जो पूरी छवि को देख सकता है और इसे एक इंसान की तरह समझ सकता है, बिना हर नए कार्य के लिए पुन: प्रशिक्षित हुए। शोधकर्ताओं ने यह देखने के लिए इन तीन लेआउट पर इन प्रणालियों का परीक्षण किया कि कौन सा तरीका अधिक सटीक था और कौन सा विधि डिज़ाइन में बदलाव को बिना टूटे संभाल सकता है।

परिणामों ने शक्ति के संतुलन में एक आश्चर्यजनक बदलाव का खुलासा किया। सरल, विशाल लेआउट A पर, सामान्य आर्टिफिशियल इंटेलिजेंस मॉडल वास्तव में अत्यधिक प्रशिक्षित विशेषज्ञ से बेहतर प्रदर्शन करते हैं। दो विज़न-लैंग्वेज मॉडल्स ने स्पेशलिस्ट पाइपलाइन की तुलना में कम गलतियाँ कीं, भले ही स्पेशलिस्ट को उसी सटीक लेआउट पर विशेष रूप से फाइन-ट्यून किया गया था। स्पेशलिस्ट मॉडल लंबे, मुक्त-पाठ (free-text) कमेंट फील्ड्स के साथ सबसे अधिक संघर्ष करता है, जहाँ हस्तलेखन कम नियंत्रित होता है, जबकि सामान्य मॉडल्स ने इन अनुभागों को अधिक सहजता से संभाला। जब शोधकर्ताओं ने अधिक कठिन लेआउट, B और C की ओर रुख किया, तो यह अंतर और बढ़ गया। स्पेशलिस्ट मॉडल, जो बक्सों के सटीक स्थान को जानने पर निर्भर था, बक्से छोटे होने या गायब होने पर काफी विफल होने लगा। वह नए विजुअल स्ट्रक्चर के अनुकूल नहीं हो सका, जबकि सामान्य मॉडल मजबूत बने रहे, और लेआउट में बदलाव के बावजूद टेक्स्ट को सटीक रूप से पढ़ते रहे।

सबसे महत्वपूर्ण निष्कर्षों में से एक आउटपुट की विश्वसनीयता से संबंधित था। हालांकि सामान्य मॉडल औसतन अधिक सटीक थे, शोधकर्ताओं ने पाया कि कोई भी मूल्यांकित प्रणाली पूरी तरह से मानव समीक्षक की जगह नहीं ले सकती। सबसे अच्छा प्रदर्शन करने वाला ऑन-प्रीमिस सेटअप केवल लगभग 7.7 प्रतिशत मामलों में बिना किसी त्रुटि के एक फॉर्म को ट्रांसक्राइब करने में सक्षम रहा। इसका मतलब है कि अधिकांश फॉर्मों के लिए, एक मनुष्य को काम की जांच करने की आवश्यकता होगी। हालांकि, अध्ययन ने लचीलेपन के मामले में सामान्य मॉडल्स के लिए एक बड़ा लाभ भी रेखांकित किया। एक नए फॉर्म डिज़ाइन को अपनाने के लिए स्पेशलिस्ट पाइपलाइन को अनुकूलित करने हेतु इंजीनियरों को मॉडल को पुन: प्रशिक्षित करने और टेक्स्ट बॉक्स को काटने वाले कोड को फिर से लिखने की आवश्यकता होगी। इसके विपरीत, सामान्य मॉडल्स को दिए गए निर्देशों को बदलकर आसानी से एक नए लेआउट के अनुकूल बनाया जा सकता है, बिना किसी पुन: प्रशिक्षण के। यह सुझाव देता है कि कई प्रकार के फॉर्मों से निपटने वाले संगठनों के लिए, एक कस्टम सिस्टम बनाने के बजाय एक लचीला, सामान्य-उद्देश्य वाला मॉडल उपयोग करना अधिक व्यावहारिक हो सकता है, बशर्ते वे स्वीकार करें कि अंतिम परिणामों को सत्यापित करने के लिए एक मानव की आवश्यकता होगी।

अध्ययन ने वर्तमान तकनीक की सीमाओं पर भी चर्चा की। हालांकि सामान्य मॉडल्स ने अच्छा प्रदर्शन किया, लेकिन वे कभी-कभी अजीब गलतियाँ भी करते थे, जैसे शब्दों को दोहराना या यह पहचानने में विफल होना कि लेखक ने कुछ काट दिया है। इस बीच, स्पेशलिस्ट मॉडल नाजुक (brittle) था; यदि कंप्यूटर लेखक द्वारा लाइनों से थोड़ा बाहर लिखने के कारण टेक्स्ट बॉक्स को पूरी तरह से नहीं ढूंढ पाता था, तो पूरा फील्ड गलत पढ़ लिया जाता था। शोधकर्ताओं ने निष्कर्ष निकाला कि हालांकि आर्टिफिशियल इंटेलिजेंस ने बड़ी प्रगति की है, लेकिन हस्तलिखित फॉर्मों के पूर्णतः स्वचालित, त्रुटि-मुक्त डिजिटलीकरण का सपना फिलहाल पहुंच से बाहर है। सबसे प्रभावी मार्ग एक हाइब्रिड दृष्टिकोण प्रतीत होता है: टेक्स्ट पढ़ने का भारी काम करने के लिए शक्तिशाली, सामान्य मॉडल्स का उपयोग करना, जबकि होने वाली अनिवार्य गलतियों को पकड़ने के लिए मानव निरीक्षण पर भरोसा करना, और इस बीच अपने संगठन के भीतर ही संवेदनशील डेटा को सुरक्षित रखना।