Tìm chữ trên bản vẽ ảnh quét: 171 trang nhận dạng trong 338 giây, và giờ lật trang được trả lại

Trên một bộ bản vẽ, trang ảnh quét không tìm được chữ nào; muốn tra một ký hiệu là phải lật. Khi mọi trang quét được nhận dạng chữ — trang có chữ và trang quét đếm riêng, bị ngắt thì chạy lại chỉ đọc trang còn thiếu — một kỹ sư dự toán được trả lại bao nhiêu giờ mỗi tháng, và bộ lớn nhất có chạy hết được không.

Một bộ hồ sơ thiết kế đến tay kỹ sư dự toán thường là một tệp PDF vài trăm trang, và một phần không nhỏ trong đó là ảnh quét: bản đã ký, đóng dấu rồi chụp lại, hoặc bản in cũ được scan để lưu. Trên những trang đó, Ctrl+F không tìm được chữ nào. Muốn biết mác bê tông của móng ghi ở đâu, cột C1 có tiết diện bao nhiêu, hay ghi chú về lớp bảo vệ nằm ở tờ nào, người ta lật từng trang.

Bài này hỏi: nếu mọi trang ảnh quét đều được nhận dạng ra chữ, tìm được như trang thường, thì một kỹ sư được trả lại bao nhiêu giờ mỗi tháng? Và một câu hỏi đi trước nó: việc nhận dạng ấy có chạy hết được cả bộ hay không.

1. Thay đổi là gì

Khi tải một bộ bản vẽ lên, máy tách hai loại trang và đếm riêng: trang có sẵn chữ (đọc thẳng từ tệp) và trang là ảnh quét (phải nhận dạng). Dòng trạng thái nói cả tệp, ví dụ «312 trang: 267 trang có sẵn chữ, 45 trang là ảnh quét — đã nhận dạng chữ 45 trang trong 58 giây». Trước đây dòng đó chỉ ghi «đã nhận dạng 45 trang», và người đọc hiểu là máy dừng ở trang 45.

Sau đó:

1. Mọi trang quét được nhận dạng chữ, tiếng Việt và tiếng Anh, chạy trên CPU của máy chủ. Mỗi kết quả tìm từ trang quét ghi rõ «OCR» kèm độ tin cậy, để người dùng biết phải nhìn lại bản vẽ trước khi tin.
2. Ký hiệu và tên tờ đọc được ở khung tên trang quét đi vào mục lục bản vẽ, như trang có chữ.
3. Bị ngắt giữa chừng thì không phải đọc lại từ đầu. Kết quả lưu sau mỗi 10 trang, nên chạy lại chỉ đọc những trang còn thiếu. Đo thử: ngắt ở trang 30 của bộ 171 trang, chạy lại chỉ đọc 141 trang còn lại.
4. Bộ lớn tải lên theo từng phần 8 MB. Mạng phân phối đứng trước máy chủ từ chối mọi yêu cầu trên 100 MB mà trình duyệt không báo gì: một bộ 117 MB từng bò ở 5 KB/giây trong 18 phút. Nay mỗi phần hỏng mạng thì gửi lại phần đó, và gửi lại không tạo ra tệp trùng.

2. Câu hỏi đi trước: có chạy hết được không

Nhận dạng chữ một trang A3 quét mất từ 1 đến 53 giây khi chạy một mình. Một bộ 171 trang, đo trên máy phát triển với 6 tiến trình song song: 338 giây, khoảng 2 giây một trang.

Trên máy chủ thật — 4 nhân, dùng chung với hệ thống khác — cùng bộ đó lúc đầu không chạy xong: dừng ở giới hạn 300 giây. Nguyên nhân đo được: 6 tiến trình chạy cùng lúc, mỗi tiến trình lại mở một luồng cho mỗi nhân, thành 24 luồng tranh 4 nhân. Sau khi giới hạn mỗi tiến trình một luồng và chạy song song bằng số nhân trừ một, cùng bộ 171 trang trên chính máy đó xong trong 352 giây.

Điểm này quan trọng hơn mọi con số phía dưới. Một bộ không nhận dạng xong thì không phải «tìm chậm hơn» — nó không tìm được gì, và mọi việc cần tra cứu trên bộ đó dừng lại hoặc quay về lật tay. Bảng tính bên dưới chỉ đếm giờ của bộ đã chạy xong; phần việc bị dừng hẳn không nằm trong đó, nên tổng là mức sàn.

3. Nguồn thứ nhất: tra cứu trên trang quét

Chữ cần tìm nằm trên trang có chữ thì tìm bằng ô tìm kiếm ngay hôm nay. Nằm trên trang quét thì phải lật, và trung bình gặp nó ở giữa chừng. Khi trang quét có chữ, phần nhận dạng đúng chuyển sang bước tìm kiếm; phần nhận dạng sai vẫn phải lật như cũ. Biểu đồ trên là chính phép tính này: vùng tô giữa hai đường là số phút bớt được cho mỗi lần tra.

Cách đo. Một tuần, mỗi lần phải tìm gì đó trên bộ bản vẽ thì ghi một vạch và bấm giờ. Đếm riêng lần tìm ra trên trang có chữ và trên trang quét. Phần nhận dạng đúng đo trên chính bộ của bạn: lấy 20 chữ đã biết vị trí, tìm từng chữ, đếm số chữ ra đúng trang.

Mức độ đáng tin: khá. Số lần tra và giây lật trang chênh nhiều giữa người quen bộ hồ sơ và người mới mở. Phần nhận dạng đúng phụ thuộc chất lượng bản quét — bản chụp nghiêng, mờ, có dấu đỏ đè lên chữ thì thấp hơn hẳn.

4. Nguồn thứ hai: mục lục bản vẽ

Cách đo. Lần lập danh mục bản vẽ tới, bấm giờ trên 20 tờ quét. Rồi đếm trên công cụ bao nhiêu tờ có ký hiệu đúng mà không phải sửa.

Mức độ đáng tin: khá. Khung tên mỗi đơn vị thiết kế một kiểu; khung tên lạ thì phần đọc đúng thấp.

5. Khoản phải trừ: chờ và soát

Nhận dạng một bộ 171 trang mất khoảng 6 phút trên máy chủ, chạy nền, không tốn phí gọi mô hình AI — phần này dùng phần mềm nhận dạng chữ chạy trên CPU. Người dùng vẫn mất thời gian: chờ, xem lại những trang báo lỗi, bấm chạy lại. Tính 10 phút một bộ: 4 × 10 ÷ 60 ≈ 0,7 giờ/tháng.

6. Cộng lại

Khoảng 10 giờ mỗi tháng, gần 10 triệu đồng một năm ở mức lương trong ví dụ, cho một kỹ sư đọc 4 bộ mỗi tháng. Hôm nay tra cứu và lập mục lục trên những bộ đó ngốn khoảng 16,5 giờ.

Đếm một lần. 10 giờ đó là tiền hoặc là sức để nhận thêm hồ sơ, không cộng cả hai. Và như đã nói ở mục 2, con số này chưa tính những bộ mà hôm nay không ai tra được gì.

7. ROI này đứng trên giả định nào

Phần chữ nhận dạng đúng. Đó là giả định nằm dưới cả hai nguồn. Đặt nó bằng 0 trong bảng tính: tra cứu và mục lục về 0, chỉ còn khoản trừ. Trên bộ mẫu ở ảnh trên, chữ in rõ ra 96% độ tin cậy; trên bản quét thật, chữ viết tay, chữ bị dấu đè hay ký hiệu thép kiểu Ø thường bị đọc sai. Vì vậy mỗi kết quả tìm từ trang quét đều ghi «OCR» và độ tin cậy — đó là lời nhắc phải nhìn lại bản vẽ, không phải trang trí.

Không tìm thấy không có nghĩa là không có. Một chữ máy đọc sai sẽ không hiện trong kết quả. Với những thứ mà bỏ sót là tốn tiền — một ghi chú vật liệu, một chi tiết khác với mặt bằng — kỹ sư vẫn phải biết bộ hồ sơ, và công cụ chỉ rút ngắn đường đi tới trang, không thay việc đọc.

Số lần tra mỗi bộ là con số dễ nói quá nhất. Đo một tuần trước khi tin con số 60.

8. Đo ở chính công ty bạn

1. Lấy mốc. Chọn một bộ đang làm. Đếm số trang quét trên tổng số trang; một tuần ghi số lần tra và phút mỗi lần; bấm giờ lập danh mục trên 20 tờ quét.
2. Chạy cùng bộ đó trên công cụ. Ghi thời gian nhận dạng, số trang lỗi, và phần nhận dạng đúng trên 20 chữ đã biết vị trí.
3. So cùng loại bộ. Bộ kết cấu nhiều ký hiệu thép khác bộ kiến trúc nhiều chữ; so bộ kết cấu với bộ kết cấu.

9. Điều đáng nhớ

Một trang không tìm được chữ là một trang phải đọc lại bằng mắt mỗi lần cần đến nó. Nhận dạng chữ không làm người ta đọc bản vẽ nhanh hơn — nó làm cho việc đi tới đúng trang không còn tốn công. Và trước khi tính tiết kiệm, hãy hỏi một câu thô hơn: bộ lớn nhất của bạn có thực sự chạy hết được không.

Một bộ bản vẽ không tìm được thì không chậm hơn — nó dừng lại.

Thời gian nhận dạng (338 giây cho 171 trang trên máy phát triển, 352 giây trên máy chủ 4 nhân), lần dừng ở giới hạn 300 giây trước khi sửa, bộ 312 trang có 267 trang sẵn chữ và 45 trang quét, bộ 117 MB tải ở 5 KB/giây đo trên công cụ Xây dựng G20 với các bộ hồ sơ thật, đã ẩn danh. Ảnh chụp từ một dự án mẫu. Số bộ mỗi tháng, phần trang quét, số lần tra, giây lật trang, phần nhận dạng đúng và lương là số minh hoạ. Hãy thay bằng số của chính bạn.