Satu kata yang hilang dapat mengubah cara sebuah klausul dibaca. Dalam contoh hipotetis, kalimat “pembayaran tidak termasuk biaya pengiriman” tersalin tanpa kata “tidak”. Hasilnya tetap lancar dibaca, tetapi menyampaikan pengertian berbeda dari halaman sumber.
Itulah alasan hasil OCR untuk dokumen hukum perlu diperiksa. Keberhasilan menghasilkan teks yang dapat dicari belum memastikan setiap karakter, urutan paragraf, dan hubungan antarbagiannya sudah sesuai. Pemeriksaan menjadi semakin penting ketika teks dipakai untuk mengambil tanggal, menyusun ringkasan, atau membaca kewajiban para pihak.
Pembahasan ini berfokus pada ketepatan hasil pengenalan dan ekstraksi. Kerangka pemilihan sistem secara lebih luas tersedia dalam legal tech untuk pengelolaan dokumen.
OCR mengenali teks; ekstraksi menghubungkan informasi
OCR, atau optical character recognition, mengenali teks pada gambar, termasuk halaman hasil pemindaian. Hasilnya dapat membantu pencarian dan penyalinan, tetapi tetap merupakan keluaran pengenalan yang perlu dibandingkan dengan tampilan sumber ketika ketepatannya menentukan pekerjaan berikutnya.
Ekstraksi bidang merupakan pekerjaan lanjutan yang berbeda. Sistem mungkin mengambil nama pihak, nilai pembayaran, atau tanggal berakhir dari teks yang dikenali. Pada tahap ini, persoalannya bukan hanya apakah karakter terbaca, melainkan apakah informasi ditempatkan pada bidang yang benar.
Bayangkan sebuah kontrak hipotetis yang memuat tanggal penandatanganan, tanggal mulai berlaku, dan tanggal berakhir. Ketiganya dapat terbaca dengan tepat, tetapi hasil ekstraksi tetap keliru jika tanggal penandatanganan dimasukkan ke kolom “mulai berlaku”. Kesalahan hubungan informasi semacam ini tidak selesai dengan memeriksa ejaan saja.
Penafsiran klausul merupakan lapisan berikutnya lagi. Teks yang sudah sesuai sumber belum dengan sendirinya menjelaskan akibat hukum suatu ketentuan. Pembaca masih perlu memahami definisi, pengecualian, rujukan, dan konteks dokumennya.
Bagian kecil yang layak mendapat perhatian lebih
Prioritas pemeriksaan sebaiknya mengikuti akibat kesalahan terhadap penggunaan dokumen. Untuk pencarian awal, satu salah eja mungkin terutama mengganggu penemuan berkas. Untuk pencatatan tenggat, satu angka yang keliru dapat mengubah jadwal kerja yang dibuat berdasarkan hasil ekstraksi.
Tabel berikut menunjukkan contoh hipotetis untuk menentukan perhatian pemeriksaan, bukan daftar kesalahan yang pasti terjadi pada setiap alat.
| Bagian | Contoh persoalan | Yang dibandingkan dengan sumber |
|---|---|---|
| Angka dan pemisah | Nilai pembayaran kehilangan satu digit atau tanda pemisah | Seluruh nilai, mata uang, satuan, dan konteksnya |
| Tanggal dan jangka waktu | Tanggal terbaca benar tetapi diberi fungsi yang salah | Label tanggal, peristiwa pemicu, serta satuan waktu |
| Negasi dan pengecualian | Kata “tidak” atau frasa “kecuali jika” terlewat | Kalimat lengkap beserta syarat dan pengecualian |
| Tanda baca | Pemisahan unsur daftar berubah | Hubungan antarfrasa dan batas setiap butir |
| Identitas dan nomor | Nama pihak atau nomor dokumen tersalin berbeda | Penulisan pada bagian identitas dan rujukan terkait |
| Rujukan silang | Nomor pasal atau lampiran bergeser | Tujuan rujukan dan isi bagian yang dirujuk |
Pemeriksaan tidak sebaiknya berhenti pada bagian yang tampak ganjil. Kalimat yang kehilangan negasi dapat tetap terdengar wajar. Sebaliknya, nama atau istilah yang tidak umum mungkin tampak salah meskipun sudah sesuai sumber.
Karena itu, koreksi perlu didasarkan pada halaman dokumen. Mengganti istilah hanya karena terasa lebih lazim justru dapat menciptakan perubahan baru yang tidak berasal dari naskah.
Tabel dan susunan klausul perlu dibaca sebagai hubungan
Pada tabel, ketepatan setiap kata belum memastikan ketepatan hubungan antarisi. Jika nilai pada satu baris dipasangkan dengan judul baris lain, keluaran bisa terlihat rapi sekaligus menyampaikan informasi yang salah.
Misalnya, sebuah lampiran hipotetis memuat tahap pekerjaan, persentase pembayaran, dan syarat penagihan. Pemeriksaan perlu mengikuti satu baris secara utuh: tahap mana yang dimaksud, nilai mana yang menyertainya, dan syarat apa yang berlaku. Memeriksa semua angka secara terpisah akan melewatkan hubungan tersebut.
Perhatian serupa diperlukan pada klausul bertingkat. Huruf dan nomor membantu menunjukkan apakah suatu butir merupakan kewajiban tersendiri, syarat, atau pengecualian atas kalimat sebelumnya. Jika susunan itu berubah menjadi satu paragraf panjang, teks masih dapat dibaca tetapi hierarkinya menjadi lebih sulit ditelusuri.
Cara praktisnya adalah membandingkan keluaran dengan satu kesatuan makna: satu baris tabel, satu klausul beserta subbutirnya, atau satu ketentuan beserta lampiran yang dirujuk. Untuk bagian yang belum jelas, tandai ketidakpastian dan buka sumber yang lebih terbaca; jangan melengkapi berdasarkan dugaan.
Skor keyakinan membantu memilih perhatian
Sebagian sistem menyediakan confidence score, yaitu perkiraan keyakinan terhadap hasil tertentu. Dokumentasi Microsoft Document Intelligence membedakan keyakinan pada kata dan bidang, serta menjelaskan bahwa tidak semua bidang menyediakan skor.
Skor tersebut dapat membantu mengarahkan perhatian. Namun, keyakinan terhadap pengenalan kata tidak menjawab apakah dokumen itu versi yang tepat atau apakah sebuah tanggal sudah dihubungkan dengan peristiwa yang benar. Skor juga bukan ukuran akibat hukum suatu klausul.
Untuk penggunaan praktis, pisahkan dua pertanyaan: bagian mana yang ditandai sistem sebagai tidak pasti, dan bagian mana yang tetap harus diperiksa karena menentukan penggunaan hasil. Sebuah nilai pembayaran yang akan dipindahkan ke catatan kerja layak dibandingkan dengan sumber meskipun tampilannya tampak meyakinkan.
Contoh dukungan koreksi tersedia dalam panduan Adobe Acrobat tentang kesalahan pengenalan teks. Panduan itu menjelaskan peninjauan dan perbaikan kata yang dikenali secara tidak pasti. Fitur semacam ini membantu pekerjaan koreksi, tetapi tidak menggantikan pembacaan konteks dokumen.
Membandingkan hasil dengan sumber secara terarah
Pemeriksaan lebih mudah ditelusuri jika sumber dan hasil ekstraksi tetap dapat dibuka berdampingan. Tujuannya bukan sekadar menghasilkan teks yang enak dibaca, melainkan mengetahui bagian mana yang sudah dibandingkan dan dari mana koreksi berasal.
Urutan kerja berikut dapat disesuaikan dengan kebutuhan:
- Tentukan penggunaan hasil. Bedakan teks untuk pencarian, kutipan, pencatatan bidang, atau bahan ringkasan. Penggunaan tersebut memerlukan perhatian yang berbeda.
- Pastikan berkas yang dibandingkan. Catat versi sumber dan periksa keberadaan halaman serta lampiran yang diperlukan. Ekstraksi yang tepat dari versi yang salah tetap tidak memenuhi kebutuhan.
- Bandingkan bagian penentu. Baca angka bersama labelnya, tanggal bersama peristiwanya, dan klausul bersama syarat atau pengecualiannya.
- Periksa struktur yang membawa makna. Ikuti baris tabel, subbutir, catatan, serta rujukan silang yang digunakan.
- Catat koreksi dan bagian yang belum jelas. Pertahankan hubungan dengan halaman sumber agar perubahan dapat ditelusuri kembali.
Jika sumbernya sendiri tidak terbaca, keluaran OCR tidak memberikan dasar untuk menebak isi yang hilang. Memperoleh salinan yang lebih jelas atau menandai bagian sebagai belum dapat dipastikan lebih berguna daripada menyajikan teks yang tampak lengkap tanpa dasar.
Pemeriksaan terbatas juga perlu dijelaskan sesuai cakupannya. Membandingkan tanggal dan nilai pembayaran tidak berarti seluruh isi dokumen telah diperiksa. Catatan penggunaan dapat menyebut bidang yang sudah dibandingkan dan bagian yang masih memerlukan pembacaan.
Sebelum hasil dipakai untuk pencarian atau ringkasan
Hasil OCR dapat memengaruhi pekerjaan berikutnya tanpa terlihat jelas. Jika istilah tidak dikenali sebagaimana mestinya, pencarian dengan kata tersebut dapat melewatkan bagian yang sebenarnya ada. Karena itu, hasil pencarian kosong sebaiknya ditelusuri melalui variasi istilah dan halaman sumber sebelum dianggap sebagai ketiadaan ketentuan.
Untuk ringkasan, perhatian utamanya adalah apakah teks masukan mempertahankan bagian yang dibutuhkan. Dalam contoh pembuka, ringkasan yang dibuat dari kalimat tanpa kata “tidak” dapat meneruskan kekeliruan tersebut. Keluaran ringkasan yang lancar tidak memperbaiki kehilangan pada bahan asal dengan sendirinya.
Jika proses melibatkan pengiriman berkas ke layanan lain, keputusan itu perlu dipisahkan dari pemeriksaan ketepatan OCR. Isi yang perlu dikirim, kewenangan membagikan, dan perlakuan penyedia terhadap dokumen dibahas dalam memasukkan dokumen ke AI generatif: isu data pribadi dan kerahasiaan.
Nilai OCR terletak pada kemampuannya membantu menemukan dan mengolah teks. Agar hasilnya berguna untuk pekerjaan hukum, hubungan dengan sumber perlu tetap tersedia: halaman mana yang mendasari informasi, bagian apa yang sudah dibandingkan, dan ketidakpastian apa yang masih tersisa.