Wir haben rund 140.000 Seiten Katasterdaten für Valueguard gescannt und erfasst — insgesamt etwa 6 Millionen Datenzeilen. Der Auftrag wurde in einem Monat abgeschlossen.
Die eigentliche Herausforderung lag nicht im Umfang, sondern in den UUID-Codes. Eine UUID ist eine 36 Zeichen lange Zufallszeichenfolge, und anders als bei Fließtext gibt es weder Wörterbuch noch Kontext noch Muster, die ein falsch gelesenes Zeichen verraten könnten. Ein einziges falsches Zeichen macht den gesamten Code unbrauchbar — und der Fehler ist in den Daten selbst unsichtbar; er zeigt sich erst, wenn der Datensatz nicht mehr zugeordnet werden kann.
Deshalb wurde das gesamte Material zweimal erfasst, mit zwei voneinander unabhängigen OCR-Programmen, und die Ergebnisse wurden miteinander verglichen. Stimmen beide Lesungen bei einer zufälligen 36-Zeichen-Folge überein, ist die Wahrscheinlichkeit sehr gering, dass beide denselben Fehler gemacht haben. Wo sie voneinander abweichen, weiß man dagegen genau, wo das Problem liegt — und jede einzelne dieser Abweichungen wurde visuell mit dem gescannten Bild abgeglichen.
Darüber hinaus wurde jede Seite strukturell geprüft: Die Anzahl der Zeilen und Spalten pro Seite wurde mit dem erwarteten Wert verglichen, sodass Seiten mit abweichendem Aufbau automatisch auffielen. In einem so geprüften Stapel wurde gut eine von tausend Zeilen zur Kontrolle ausgesondert.
Erfahren Sie mehr über unseren Service für OCR-Konvertierung von Registern und Tabellen — wir erfassen Adressregister, Immobiliendaten und Tabellenmaterial nach Excel, in eine Datenbank oder als durchsuchbares PDF.
