OCR: আঁকাবাঁকা হাতের লেখা ও প্রাচীন নথিপত্র কম্পিউটার কীভাবে নিখুঁতভাবে পড়ে?

রান্নাঘরের পুরোনো তাকে বহু বছর আগের দাদীর হাতের লেখা একটি রান্নার রেসিপির ডায়েরি খুঁজে পেলেন। দশকের পর দশক ব্যবহারে কাগজটি হলুদ হয়ে গেছে, কোণগুলো কুঁচকে গেছে এবং কালির দাগ হালকা হয়ে আঁকাবাঁকা পেঁচানো অক্ষরগুলো অস্পষ্ট হয়ে পড়েছে। আপনি স্মার্টফোনের ক্যামেরা চালু করে সেই পাতার ওপর ধরলেন এবং স্ক্রিনে একটি আলতো স্পর্শ করলেন। চোখের পলকে সেই প্রাচীন পেঁচানো হাতের লেখাটি পরিষ্কার ডিজিটাল টেক্সটে রূপান্তরিত হয়ে গেল, যা আপনি যেকোনো মেসেজে কপি করে কাউকে পাঠাতে পারেন। কাগজের ছবি থেকে অক্ষরের অর্থ উদ্ধার করার এই বিস্ময়কর প্রযুক্তির নাম হলো নিউরাল ওসিআর (Neural Optical Character Recognition বা Neural OCR)।

পুরোনো স্টেনসিল মেলানো থেকে আধুনিক দৃষ্টিশক্তির বিবর্তন

কম্পিউটার কীভাবে এই অসম্ভবকে সম্ভব করে তা বুঝতে আগে পুরোনো পদ্ধতির সীমাবদ্ধতা জানা দরকার। অতীতের প্রাথমিক স্ক্যানারগুলো প্রতিটি অক্ষরের ছাঁচকে কঠোর ডিজিটাল ফ্রেমের সাথে হুবহু মেলাত (যাকে টেমপ্লেট ম্যাচিং বা Template Matching বলা হতো)। যদি কাগজের 'A' অক্ষরটি সামান্য বাঁকা থাকত, ছায়া পড়ত বা পেঁচানো লেখার কারণে একটি অক্ষর অন্যটির গায়ে লেগে থাকত, তবে সেই প্রাচীন সফটওয়্যার পুরোপুরি ব্যর্থ হতো।

অস্পষ্ট চিঠির জট খোলার অভিজ্ঞ পোস্টমাস্টারের গল্প

একটি প্রত্যন্ত ডাকঘরের অত্যন্ত অভিজ্ঞ এক বয়স্ক পোস্টমাস্টারের কথা ভাবুন। প্রতিদিন সকালে তার টেবিলে শত শত পুরোনো চিঠির খাম জমা হয়। অনেক চিঠির ওপর বৃষ্টির ফোঁটা পড়ে ঠিকানা ভিজে ঝাপসা হয়ে গেছে, আবার অনেকে অত্যন্ত দ্রুত গতিতে পেঁচানো অক্ষরে লিখেছেন যা সাধারণ মানুষের চোখে এক আঁকিবুঁকি রেখা ছাড়া কিছুই নয়।

পোস্টমাস্টার কিন্তু প্রতিটি ঝাপসা কালির ফোঁটা আলাদাভাবে দেখতে আতশকাচ লাগান না। তিনি প্রথমে খামের বাঁকা কোণগুলো সোজা করে নেন। এরপর তিনি চারপাশের পরিচিত শব্দের প্রসঙ্গ দেখেন। তিনি যদি একটি বাক্যে দেখতে পান 'ডাকঘর: ক-ল-ম-া-কা-_-', তবে শেষের কালির ছোপটি দেখতে জিলিপির মতো প্যাঁচানো হলেও তার বাস্তব জ্ঞানের কারণে তিনি তৎক্ষণাৎ বুঝে নেন শব্দটি 'কলমাকান্দা'। তিনি অক্ষরের রূপ এবং ভাষার অর্থ দুটোকে একসাথে মিলিয়ে সিদ্ধান্ত নেন।

আধুনিক নিউরাল ওসিআর ঠিক সেই অভিজ্ঞ পোস্টমাস্টারের তিন ধাপের কৌশল ব্যবহার করে:

• বাঁকা কোণ সোজা করা (জিওমেট্রিক রেকটিফিকেশন বা Geometric Rectification): ক্যামেরা যদি বাঁকা কোণে ধরা হয় বা বইয়ের পাতা গোল হয়ে থাকে, তবে সফটওয়্যার ডিজিটালভাবে টেনে ছবিটিকে সমতল করে নেয়।
• কালির রেখা ও খাঁজ চেনা (কনভোলিউশনাল ভিজ্যুয়াল বিশ্লেষণ বা CNN): চোখের মতো কাজ করা কৃত্রিম নিউরাল নেটওয়ার্ক কালির টানা রেখা, গোল বৃত্ত ও লেজের বাঁক বিশ্লেষণ করে প্রতিটি অক্ষরের আকৃতি আলাদা করে।
• বাক্যের অর্থ দিয়ে অস্পষ্ট অক্ষর উদ্ধার (ল্যাঙ্গুয়েজ মডেল ডিকোডিং বা Language Decoder): যখন কোনো একটি অক্ষর অতিমাত্রায় অস্পষ্ট থাকে—যেমন একটি পেঁচানো দাগ যা 'e', 'c' বা 'l' যেকোনো কিছু হতে পারে—তখন ভাষা মডেল পেছনের ও সামনের শব্দ দেখে নিখুঁত অর্থ অনুমান করে নেয়।

আমাদের প্রাত্যহিক জীবনে এর বাস্তব রূপ

কাগজের লেখাকে জীবন্ত ডিজিটাল পাঠ্যে রূপান্তরের এই ক্ষমতা এখন আমাদের দৈনন্দিন জীবনের নানা কাজে মিশে গেছে:

• ইউটিলিটি বিল ও ব্যাংকিং স্ক্যান: বিদ্যুৎ বা গ্যাস বিলের ওপর ক্যামেরা ধরলেই সিস্টেম স্বয়ংক্রিয়ভাবে দীর্ঘ হিসাব নম্বর ও টাকার অঙ্ক পড়ে নেয়, ফলে ভুল নম্বর টাইপ করার ঝুঁকি থাকে না।
• লাইভ ক্যামেরায় তাৎক্ষণিক অনুবাদ: বিদেশে ভ্রমণের সময় কোনো অচেনা ভাষার রাস্তার সাইনবোর্ড বা রেস্তোরাঁর মেন্যুতে ক্যামেরা ধরলে ক্যামেরা স্ক্রিনেই সেই লেখা মুছে নিজের ভাষায় অনুবাদ ভেসে ওঠে।
• কাগজের রসিদ ও খরচের হিসাব মেলানো: কেনাকাটার রসিদ বা মেমোর ছবি তুললে সফটওয়্যারটি পৃষ্ঠার ছক ও সারণির বিন্যাস বুঝে নিয়ে (স্পেশিয়াল লেআউট পার্সিং বা Spatial Layout Parsing) পণ্যের দাম ও মোট অঙ্ক আলাদা করে দেয়।
• পুরোনো সাহিত্য ও সরকারি দলিল ডিজিটালাইজেশন: জাতীয় পাঠাগার ও বিশ্ববিদ্যালয়ের অমূল্য পুরোনো গ্রন্থ ও পাণ্ডুলিপির প্রতিটি শব্দ সার্চযোগ্য ডিজিটাল আর্কাইভে রূপান্তর করা।

বাস্তব ব্যবহারের সীমাবদ্ধতা ও জরুরি সতর্কতা

নিউরাল ওসিআর অত্যন্ত দক্ষ হলেও কিছু প্রাকৃতিক কারণে ভুল হতে পারে, তাই ব্যবহারে কিছু সাধারণ সতর্কতা বজায় রাখা উচিত:

• আলোর ঝলকানি ও ছায়া এড়িয়ে চলুন: চকচকে কাগজের ওপর ক্যামেরার ফ্ল্যাশ পড়লে অতিরিক্ত প্রতিফলিত আলোর ঝলকানি (স্পেকুলার গ্লেয়ার বা Specular Glare) তৈরি হয় যা অক্ষরের রেখা মুছে দেয়।
• এলোমেলো সংখ্যা ও পাসওয়ার্ডে চোখ মিলিয়ে নিন: ভাষা মডেল সাধারণত অর্থপূর্ণ বাক্যে কাজ করে; তাই কোনো অর্থহীন সংখ্যা ও অক্ষরের মিশ্রণ (আলফানিউমেরিক কোড বা Alphanumeric Sequences যেমন ওয়াই-ফাই পাসওয়ার্ড বা জাতীয় পরিচয়পত্র নম্বর) স্ক্যান করলে মূল কাগজের সাথে একবার মিলিয়ে নেওয়া নিরাপদ।
• ব্যক্তিগত গোপন নথির সুরক্ষা: ব্যাংক স্টেটমেন্ট, গোপন চুক্তিপত্র বা পাসপোর্টের ছবি কোনো অনিরাপদ বা অচেনা অনলাইন ওয়েবসাইটে আপলোড না করে বিশ্বস্ত অ্যাপ ব্যবহার করুন।

কাগজ ও ডিজিটাল দুনিয়ার মধ্যকার প্রাচীন দূরত্ব দূর করে দিয়েছে নিউরাল ওসিআর। ঘণ্টার পর ঘণ্টা বসে টাইপ করার ক্লান্তি দূর করে কয়েক সেকেন্ডের মধ্যে কাগজের জ্ঞানকে মুক্ত করে দেওয়াই এর আনন্দ। এর কার্যপদ্ধতি জেনে রাখলে আপনি যেকোনো দাপ্তরিক বা ব্যক্তিগত কাজে পরম আস্থার সাথে এই প্রযুক্তিকে কাজে লাগাতে পারবেন।