Tesseract Guide (2) – Verwendung, Optimierung und Best Practices

Im ersten Teil unseres umfassenden Guides zu Tesseract haben wir gezeigt, wie Sie die Software fehlerfrei installieren und auf einen effizienten Einsatz vorbereiten. Jetzt geht es in die Praxis.

Wir erklären, was Sie bei der Verwendung von Tesseract OCR beachten müssen, um möglichst schnell gute Ergebnisse zu erzielen. Dabei zeigen wir auch, was Sie tun können, wenn die Ergebnisse (noch) nicht überzeugend sind und an welche Best Practices Sie sich halten können.

1. Verwendung von Tesseract

Sie können die Tesseract Software auf diese Weise verwenden:

1.1 OCR auf Bildern

Mit Tesseract können Sie Text von Bildern in verschiedenen Formaten extrahieren, darunter JPG, PNG und TIFF. Dazu müssen Sie lediglich die Bilddatei angeben, von der der Text extrahiert werden soll.

Die Software unterstützt viele gängige Sprachen und Schriftarten. Sie können das Tool zudem so anpassen und trainieren, dass es weitere Sprachen oder Schriftarten erkennt. Wenn Sie beispielsweise mit Bildern in asiatischen Schriftarten arbeiten, können Sie Tesseract so konfigurieren, dass es diese Schriftarten automatisch auslesen kann.

1.2 OCR auf (mehrseitigen) PDF-Dokumenten

Um Tesseract für die Textextraktion aus PDF-Dateien zu nutzen, sollten Sie die OCR-Engine direkt mit einer Konfigurationsdatei verwenden. Eine mögliche Konfigurationsdatei, die wiederholt auf mehrseitigen PDFs angewandt werden kann, ist die Stapelverarbeitungsdatei. Mit dieser können Sie mehrseitige PDF-Dokumente verarbeiten, ohne jede Seite manuell zu extrahieren.

Vermeiden Sie zu große PDF-Dateien, um eine hohe Extraktionsqualität zu gewährleisten.

Ideal ist es, die PDF-Dateien nach einer Größe von etwa 10-20 MB aufzuteilen.

So können Sie Probleme bei der Speicherung oder Verarbeitung vermeiden, die Ressourcen Ihres Computers oder Servers unnötig beanspruchen.

1.3 Verwendung mit Programmiersprachen

Tesseract ist eine vielseitige OCR-Engine, die Sie nicht nur als Standalone-Tool in einer Batchumgebung verwenden, sondern auch als Komponente in andere Anwendungen integrieren können. Die Verwendung von Tesseract ist durch die Verfügbarkeit von Wrapper-Bibliotheken möglich, die eine Programmierschnittstelle (API) bieten.

1.3.1 Python (pytesseract)

Python ist eine Programmiersprache, die für die Entwicklung vielseitiger Anwendungen weit verbreitet ist. Eine der beliebtesten Anwendungen ist die optische Zeichenerkennung (OCR), wo sie als Backend-Tool für OCR-Algorithmen eingesetzt wird. Die OCR-Fähigkeiten von Python werden durch die „pytesseract“-Bibliothek erweitert, die eine unkomplizierte Schnittstelle für die Ausführung von Tesseract OCR aus in Python geschriebenem Code heraus bietet.

Um mit Tesseract OCR in Python arbeiten zu können, müssen Sie die pytesseract-Bibliothek über den Python-Paketmanager „pip“ installieren. Nach der Installation können Sie die pytesseract-Bibliothek nutzen, um schnell und einfach OCR-Anwendungen zu erstellen.

Pytesseract vereinfacht die Arbeit mit Tesseract in Python und reduziert die Notwendigkeit, Low-Level-Code zu schreiben und Low-Level-Systemaufrufe zu verwalten, erheblich.

Pytesseract wird durch leistungsstarke OCR-Funktionalitäten wie OpenCV, Leptonica und Pillow unterstützt. Die robuste pytesseract-Bibliothek wird durch den Python-OCR-Wrapper „PYOCR“ erweitert, der eine optimierte Schnittstelle für die Ausführung von Tesseract-API-Aufrufen bietet. Andere spezialisierte Python OCR-Bibliotheken, wie „Textract“, können ebenfalls verwendet werden, um Text und Informationen aus Dokumenten, PDFs und anderen Medienformaten zu extrahieren.

Zu den häufigsten Anwendungsfällen von Python und Tesseract OCR gehören die

• Automatisierung der Dateneingabe,
• das Onboarding von Kunden,
• die Digitalisierung von Arbeitsabläufen in der Kreditorenbuchhaltung,
• die Archivierung von Dokumenten und
• die Extraktion von Fahrzeug-Identifikationsnummern (VIN) aus Bildern und Formularen.

Die Anwendung von Python OCR in diesen Bereichen kann zu erheblichen Zeit- und Kosteneinsparungen, verbesserter Genauigkeit und rationalisierten Arbeitsabläufen führen.

1.3.2 Java (Tess4J)

Tess4J ist eine leistungsstarke und benutzerfreundliche Java-Bibliothek, die Wrapper-Methoden für die Nutzung der Tesseract OCR-Engine bereitstellt. Mit Tess4J können Entwickler OCR-Funktionalitäten einfach in ihre Java-Projekte integrieren.

Um mit Tess4J zu arbeiten, müssen Sie die Bibliotheksdateien herunterladen und in Ihr Projekt importieren. Einmal integriert, können Sie die Tess4J-Methoden aufrufen, um Text aus Bildern oder PDF-Dateien zu lesen. Außerdem können Sie die Sprache und Schriftart auswählen und die OCR-Ergebnisse bearbeiten.

Tess4J ist mit verschiedenen Plattformen kompatibel, darunter Windows, Linux und macOS. Das macht es zu einer vielseitigen und zuverlässigen OCR-Lösung für eine breite Palette von Java-basierten Anwendungen.

1.3.3 C# (Tesseract.NET)

Tesseract.NET ermöglicht eine nahtlose Integration von Tesseract in C#-Anwendungen. Es bietet einen gut dokumentierten C#-Wrapper für die OCR-Engine von Tesseract, mit dem Sie problemlos Text aus Bildern und PDF-Dateien extrahieren können.

Nach der Installation der Tesseract.NET-Bibliothek können Sie diese ganz einfach zu Ihrem Projekt hinzufügen, indem Sie die DLL-Datei referenzieren. Damit haben Sie Zugriff auf alle Funktionen der Tesseract OCR-Engine.

Um Tesseract.NET für OCR-Funktionen zu nutzen, können Sie ein Bild oder eine PDF-Datei mit Hilfe der Image-Klasse in C# laden und dann das Bild zur Textextraktion an die Tesseract-Engine übergeben. Sie können auch die Sprache und Schriftart angeben, die während des OCR-Prozesses verwendet werden soll.

Die erhaltenen OCR-Ergebnisse können Sie dann innerhalb Ihrer C#-Anwendung weiterverarbeiten und analysieren. Tesseract.NET bietet eine Reihe von Methoden zur Extraktion von Text, Begrenzungsrahmen und Konfidenzwerten aus den OCR-Ergebnissen, die zur Implementierung einer Vielzahl von OCR-Funktionen in Ihrer Anwendung genutzt werden können.

Ein weiterer Vorteil von Tesseract.NET ist seine nahtlose Integration in Cloud-Computing-Umgebungen.

Es kann problemlos in Microsoft Azure integriert werden, so dass Sie die Tesseract OCR-Engine in der Cloud betreiben können. So können Sie OCR auf großen Datenmengen durchführen, ohne die Ressourcen Ihres lokalen Rechners zu belasten.

2. Verbesserung der OCR-Qualität

Insbesondere bei handgeschriebenem oder qualitativ minderwertigem Text fällt es der Tesseract Software schwer, qualitativ hochwertige Ergebnisse abzuliefern. Sie können die OCR-Qualität jedoch mit den folgenden Maßnahmen auf ein neues Level heben:

2.1 Vorverarbeitung von Bildern

Um Bilder besser auf die Extraktion mit OCR vorzubereiten, können Sie diese Schritte unternehmen:

2.1.1 Skalierung und Größenanpassung

Die Qualität der OCR-Ergebnisse von Tesseract kann erheblich von der Skalierung und Größenanpassung der Eingabebilder beeinflusst werden. Es ist daher wichtig, dass die Bilder in der richtigen Größe und Auflösung vorliegen.

Ist das nicht der Fall, verfügt die OCR-Engine Tesseract über verschiedene Parameter zur Skalierung und Größenanpassung von Bildern, einschließlich einer spezifischen Skalierung und einem Seitenverhältnis. Sie können diese Parameter je nach Anforderung auf die Eingabebilder anwenden, um optimale OCR-Ergebnisse zu erzielen. Bei Bedarf können Sie auch benutzerdefinierte Parameter einsetzen.

2.1.2 Binarisierung und Thresholding

Binarisierung und Thresholding ermöglichen es, die Bildinformationen auf ein binäres Format zu reduzieren, das einfacher als Vorlage für die Texterkennung mit Tesseract verwendet werden kann.

Die Binarisierung bestimmt den Grenzwert, ab dem jeder Grauwert im Bild entweder als schwarz oder weiß angezeigt wird.

Auf diese Weise kann der Hintergrund des Bildes unterdrückt oder geglättet werden, um störende Effekte auszuschließen. Sie können auf diese Weise die Lesbarkeit in Bereichen mit schlechter Beleuchtung verbessern. Das erleichtert es der Tesseract OCR-Engine, den Text aus dem Bild zu extrahieren.

Das Thresholding von Bildern – auch Schwellenwert-Verfahren genannt – reduziert Störungen im Bild. Dabei wird das Zielbild in mehrere Farbkanäle aufgeteilt und der Schwellenwert für jeden Kanal einzeln festgelegt. Die Technik wird angewendet, um ein klareres Bild des Textes zu erhalten und mögliche Fehlerquellen für Tesseract zu reduzieren.

2.1.3 Rauschreduzierung

Rauschen entsteht oft durch die Verwendung schlechter Geräte oder durch schlechte Lichtverhältnisse bei der Bildaufnahme. Um diese Rauschquellen zu reduzieren, können Sie unter anderem die Median-Filterung, die Bilateralfilterung und den adaptiven Schwellwert nutzen.

Bei der Median-Filterung wird der Median von Nachbarschaftspixeln eines Bildes berechnet, um eine glattere Version des Bildes zu erzeugen. Diese Methode ist besonders effektiv bei der Entfernung von Salt-and-Pepper-Rauschen, das durch pixelweise Helligkeitsschwankungen im Bild entsteht.

Bei der Bilateralfilterung wird ein Gewichtungsfaktor auf jedem Pixel im Bild basierend auf der Bildfrequenz und einer räumlichen Position berechnet. Diese Methode ist besonders effektiv bei der Entfernung von Gaussian-Noise, das durch zufällige Helligkeits- und Farbvariationen im Bild verursacht wird.

Bei dem adaptiven Schwellwertverfahren wird der Schwellenwert basierend auf den Eigenschaften des Bildes automatisch angepasst. Diese Methode ist besonders effektiv bei der Entfernung von ungleichmäßigen Beleuchtungsverhältnissen im Bild, die durch die Verwendung schlechter Geräte oder durch schlechte Lichtverhältnisse verursacht werden.

In Python-Code-Snippets können Sie diese Methoden wie folgt implementieren:

import cv2
image = cv2.imread('image.jpg')
filtered_image = cv2.medianBlur(image, 5)
cv2.imshow('Median-gefiltertes Bild', filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# Bilateralfilterung
import cv2
image = cv2.imread('image.jpg')
filtered_image = cv2.bilateralFilter(image, 9, 75, 75)
cv2.imshow('Bilateralfiltertes Bild', filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()
# Adaptive Schwellwert-Methode
import cv2
image = cv2.imread('image.jpg')
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
_, adaptive_threshold = cv2.threshold(gray_image, 0, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 25, 10)
cv2.imshow('Adaptives Schwellwertbild', adaptive_threshold)
cv2.waitKey(0)
cv2.destroyAllWindows()

Obwohl die Rauschreduzierung hilfreich sein kann, um die OCR-Qualität zu verbessern, hat sie auch Einschränkungen. Eine zu starke Rauschreduzierung kann dazu führen, dass wichtige Details und Informationen im Bild verloren gehen. Zudem können manche Arten von Rauschen nicht vollständig entfernt werden, was zu Fehlern in der Texterkennung führen kann.

2.1.4 Rotation und Perspektivenkorrektur

Eine Rotation und Perspektivenkorrektur ermöglicht es, Texte in Bildern zu entzerren, die schräg oder verzerrt aufgenommen wurden. Durch die automatische Erkennung von Schräglagen kann Leptonica Bilddateien erkennen, die Rotationsanpassungen benötigen. Das gilt auch für Bilder, die eine Perspektivenkorrektur benötigen. Die Tesseract Software kann diese selbst entzerren und so die Lesbarkeit des Textes erhöhen.

2.2 Auswahl von Sprachen und Schriftarten

Um die Erkennungsgenauigkeit von Tesseract OCR zu erhöhen, sollten Sie die Sprachmodelle und Schriftarten sorgfältig auswählen. Das Tool unterstützt derzeit über 100 Sprachen, einschließlich Englisch, Deutsch, Französisch, Spanisch, Russisch und Chinesisch. Sie können die Sprachmodelle einfach in das Tesseract-Verzeichnis einbetten und diese so aktualisieren. Auf diese Weise verbessern Sie die Erkennungsgenauigkeit für bestimmte Sprachen.

Beim Verarbeiten von Dokumenten kann es jedoch vorkommen, dass nur bestimmte Sprachen oder Schriften erkannt werden müssen. In solchen Fällen ist es möglich, die Sprach- und Schriftartenoptionen so einzustellen, dass nur die benötigten Sprachen oder Schriften erkannt werden. Auf diese Weise verbessern Sie die Erkennungsgenauigkeit, da Tesseract-OCR so unnötige Informationen herausfiltert.

Darüber hinaus ist es möglich, die Wortlisten der Tesseract Software einzuschränken, um die Erkennungsgenauigkeit zu verbessern. Mit dieser Funktion können Sie Wortlisten auf bestimmte Wörter oder sogar Zeichen beschränken.

3. Tesseract und maschinelles Lernen

Um gedruckte Texte und Handschriften in digitale Texte umzuwandeln, nutzt Tesseract OCR maschinelles Lernen und neuronale Netze:

3.1 LSTM-Netzwerke und OCR

LSTM-Netzwerke sind wiederkehrende neuronale Netze, die für die Verarbeitung von Sequenzen eingesetzt werden. Sie sind besonders effektiv bei der Verarbeitung von langen Sequenzen. Denn: Sie sind in der Lage , bestimmte Informationen über einen langen Zeitraum zu speichern. Diese Eigenschaften machen sie ideal für die Anwendung in der Texterkennung (OCR).

LSTM-Netzwerke haben den Vorteil, dass sie Kontextinformationen zwischen den einzelnen Buchstaben und Wörtern speichern können.

Durch die Fähigkeit, Sequenzen zu analysieren, können sie Fehlermuster erkennen und korrigieren, die herkömmliche OCR-Algorithmen möglicherweise übersehen.

Darüber hinaus verfügen LSTM-Netzwerke über vortrainierte Modelle, die in der OCR-Verbesserung eingesetzt werden können. Sie können diese Modelle zudem mit geringem Aufwand an die spezifischen Anforderungen von OCR anpassen.

In der Praxis kommen LSTM-Netzwerke vor allem zum Einsatz, um handschriftliche Texte und alte Dokumente mit hoher Genauigkeit zu erkennen – dort, wo OCR-Algorithmen Probleme haben.

3.2 Integration in Deep Learning Frameworks

Die Tesseract OCR-Engine kann durch Deep Learning Frameworks wie TensorFlow und PyTorch erweitert oder durch diese sogar ersetzt werden. Bevor Sie mit der Integration beginnen, sollten Sie die Tesseract-Binärdateien und das erforderliche Sprachdatenpaket auf Ihrem System installieren. Auf diese Weise stellen Sie sicher, dass alle Funktionen der OCR-Engine zugänglich sind. Sobald Tesseract erfolgreich installiert ist, können Sie OCR-Modelle laden und als Tensoren an die Frameworks übergeben, um Bilder zu segmentieren und Texte zu erkennen.

3.2.1 TensorFlow

TensorFlow ist ein Maschinelles Lern-Framework, das von Google entwickelt wurde und eine Fülle von Tools zur Unterstützung von Deep-Learning-Netzwerken bereitstellt. Es ist ein führendes Open-Source-Framework, das von Forschern und Entwicklern auf der ganzen Welt verwendet wird, um leistungsstarke Deep-Learning-Modelle zu erstellen.

Da Tesseract eine OCR-Engine ist, kann sie direkt in TensorFlow integriert werden, um die Genauigkeit für die Texterkennung zu verbessern. Hierfür können Sie Tesseract als separate Komponente installieren und so TensorFlow verfügbar machen.

3.2.2 PyTorch

PyTorch ist eine Open-Source-Plattform, die auf Python basiert und Entwicklern eine umfassende Möglichkeit zur Erstellung und Ausführung von komplexen Deep-Learning-Projekten bietet. Die Integration von Tesseract in PyTorch ermöglicht eine verbesserte OCR-Qualität, die auf den Vorteilen von neuronalen Netzen und Deep-Learning-Methoden basiert.

Um Tesseract-OCR in PyTorch zu integrieren, müssen Sie die PyTorch-Framework-Bibliothek installieren und mit Tesseract verbinden. Sie können dann neuronale Netze erstellen, die lernfähig sind und sich an eine Vielzahl von Daten- und Textformaten anpassen können.

Als Beispiel könnten Sie in PyTorch folgenden Code verwenden, um eine OCR-Anwendung mit Tesseract zu erstellen:

import torch
from torchvision.transforms import ToTensor
from PIL import Image
import pytesseract
OCR-Funktion mit Tesseract definieren
def ocr(image_path):
image = Image.open(image_path)
image = ToTensor()(image)
image = image.unsqueeze(0)
output = pytesseract.image_to_string(image)
return output
Beispielbild einrichten
image_path = "example_image.jpg"
OCR auf Beispielbild ausführen
result = ocr(image_path)
Ergebnis ausgeben
print(result)

4. Tesseract in der Praxis

Tesseract hat sich zu einem wichtigen Werkzeug für die Automatisierung von Geschäftsprozessen sowie für mobile Geräte entwickelt. Welche Einsatzgebiete sind dabei besonders gängig? Welche Grenzen weist die Engine auf? Und an welchen Best Practices können Sie sich orientieren, um mit der Software optimale Ergebnisse zu erzielen?

4.1 Anwendungsbeispiele von Tesseract

Die folgenden 4 Anwendungsbeispiele zeigen die Vielseitigkeit von Tesseract in der Praxis:

4.1.1 Gesundheitsbranche

In der Regel legen Krankenhäuser und Arztpraxen medizinische Aufzeichnungen in Schriftform an. In großen Mengen sind diese daher nur schwer zu durchsuchen. Tesseract kann diese Datensätze digitalisieren, organisieren – und somit einfach durchsuchbar machen. Ärzte und Pfleger können so große Mengen an medizinischen Aufnahmen automatisch analysieren und wichtige Informationen extrahieren. Dies führt zu einer effizienteren Diagnose und Behandlung von Patienten.

4.1.2 Finanzwesen

Finanzdokumente wie Kontoauszüge, Rechnungen und Steuererklärungen werden auch heute noch oftmals schriftlich angelegt. Diese zu durchsuchen, ist daher aufwändig. Tesseract kann diese Dokumente schnell und automatisch indexieren und kategorisieren. Banken können so beispielsweise Schecks automatisch einlesen und so den manuellen Arbeitsaufwand erheblich senken.

4.1.3 Logistik

In der Logistikbranche ist es wichtig, schnell auf Informationen wie Paketnummern, Bestandszahlen und Versandadressen zugreifen zu können. Tesseract ermöglicht die automatische Erkennung von Produktetiketten und Barcodes. Das führt zu einer schnelleren und genaueren Erfassung von Lagerbeständen. Unternehmen in der Logistik können auf diese Weise ihre Effizienz steigern und Engpässe im Bestandsmanagement vermeiden.

4.1.4 Mobile Anwendungen

Tesseract kann als Komponente in mobilen Anwendungen eingebettet werden, um Text innerhalb von Bildern auf mobilen Geräten zu erkennen. Das ist besonders nützlich für Anwendungen wie Übersetzungs- und Texterkennungs-Apps.

4.2 Best Practices von Tesseract

Um mit Tesseract möglichst fehlerfreie Ergebnisse zu erzielen, sollten Sie diese Praktiken und Tipps berücksichtigen:

5. Ressourcen zu Tesseract

Tesseract OCR ist eine komplexe Software, die nicht immer einfach zu verstehen ist. Wenn Sie tiefer in die Funktionsweise des Tools einsteigen möchten oder weitere Unterstützung benötigen, helfen Ihnen diese Quellen weiter:

5.1 Offizielle Dokumentation

Die offizielle Dokumentation für Tesseract bietet eine umfassende Anleitung zur Verwendung, Installation und Einrichtung der OCR-Engine. Zu den wichtigsten Kapiteln gehören die Module und Funktionen von Tesseract, die verschiedenen Sprachoptionen sowie die Verwendung von Tesseract mit verschiedenen Programmiersprachen und Deep-Learning-Frameworks wie Python, C++, Java und TensorFlow.

Die Dokumentation erläutert darüber hinaus auch die grundlegenden Konzepte von OCR, um Benutzern ein besseres Verständnis der Technologie zu vermitteln. Außerdem gibt es zahlreiche praktische Anwendungsbeispiele und Tutorials, die Ihnen dabei helfen können, die OCR-Engine erfolgreich einzusetzen.

5.2 Online-Tutorials und Kurse für Tesseract

Wenn Sie komplexere Funktionen von Tesseract verstehen und verwenden möchten, sollten Sie einen Blick auf das Angebot von Tesseract-Kursen werfen. Dabei finden Sie im Web ein breites Spektrum an Themen und Niveaus. Kurse finden sich beispielsweise auf YouTube.

5.3 Community und Support

Tesseract hat eine aktive Gemeinschaft von Benutzern und Entwicklern, die sich darauf konzentrieren, die Benutzerfreundlichkeit und Effektivität der OCR-Engine zu verbessern. Die Gemeinschaft trifft sich regelmäßig auf Konferenzen und Treffen, um Ideen auszutauschen und neue Wege zu entdecken, um die Software zu verbessern.

Die Tesseract-Community bietet zudem eine breite Palette an Online-Ressourcen. So finden Sie dort unter anderem Diskussionsforen und Mailing-Listen, die Nutzer für Fragen und einen generellen Austausch verwenden.

6. Fazit und Ausblick zu Tesseract

Die von HP Laps und Google entwickelte OCR-Engine Tesseract ist ein leistungsstarkes Werkzeug für die optische Zeichenerkennung. Ihre breite Verfügbarkeit auf Windows, macOS und auf praktisch allen gängigen Linux-Distributionen sowie ihre Kompatibilität mit mobilen Geräten machen sie zu einer beliebten Wahl für OCR-Extraktionsaufgaben.

Einer der Hauptvorteile von Tesseract gegenüber proprietärer OCR-Software ist seine Kosteneffizienz.

Tesseract ist eine Open-Source-Engine, die Nutzer problemlos herunterladen und verwenden können. Seine Genauigkeitsrate ist mit der von proprietärer Software vergleichbar, so dass keine teuren Lizenzen erforderlich sind.

Allerdings ist Tesseract nicht für jede OCR-Extraktionsaufgabe die beste Wahl. Insbesondere bei speziellen Schriftarten und anderen Sprachen als Englisch hat die Software oftmals Probleme. Hier kommt ein wichtiger Trend ins Spiel: die Integration von künstlicher Intelligenz in OCR. Dabei trägt Maschinelles Lernen dazu bei, die Genauigkeit zu verbessern, indem OCR-Systeme darauf trainiert werden, Muster anhand großer Datensätze besser zu identifizieren und zu erkennen. KI-basierte OCR-Systeme sind daher mehr und mehr in der Lage, Bilder mit niedriger Auflösung, handgeschriebenem Text oder unleserlichen Zeichen zuverlässig zu erkennen.

Konfuzio ist dabei ein Anbieter für die intelligente Dokumentenverarbeitung mit KI-basierter OCR. Das auf Deep Computer Vision basierende Tool wurde auf über 100.000 Dokumente trainiert.

Machine und Deep Learning ermöglichen es dabei, Daten zu extrahieren, zu klassifizieren und qualifiziert an die nachgeschalteten Workflows zu übergeben.

In der Praxis können Sie Konfuzio daher beispielsweise verwenden, um große Mengen an unstrukturierten Daten, wie beispielsweise Texte, E-Mails und Verträge, zu organisieren und zu analysieren und daraus wertvolle Erkenntnisse zu gewinnen – auch bei niedriger Qualität der Input-Datei.

FAQ