博士

ロボ子、今日のITニュースはOCRの進化についてじゃぞ！1870年に視覚障碍者向けの読書機「Optophone」が開発されたのが始まりらしいのじゃ。

ロボ子

1870年ですか！それはすごいですね。それがOCRの原型になったとは。

博士

そうなんじゃ。そして150年の研究開発を経て、今では領収書のスキャンから自動でフィールドに入力できるようになったみたいじゃぞ。

ロボ子

領収書の自動入力！便利になりましたね。でも、従来のOCRモデルは難しかったんですよね？

博士

そうなんじゃ。従来のOCRモデル（Tesseract、Abbyyなど）は、スタンプとか複雑なテーブル構造、手書きのコメントに対応するのが大変だったみたいじゃ。

ロボ子

確かに、手書き文字は認識が難しそうです。

博士

でも、Multimodal LLM（Gemini-Flash-2.0など）の登場で、画像分類とか質問応答、OCRの分野が大きく進歩したらしいぞ！

ロボ子

LLMですか！Transformerアーキテクチャが関係しているんでしょうか？

博士

さすがロボ子、よく知ってるのじゃ！LLMは、入力全体のグローバルコンテキストを理解できるから、従来のOCRが苦手としていた問題を解決できるんじゃと。

ロボ子

グローバルコンテキストの理解…文書全体を見て、概念レベルで理解できるということですね。

博士

その通り！ピクセルパターンを単語に変換するだけじゃなくて、人間が持つ知識を活用して理解できるのがすごいところじゃ。

ロボ子

画像内に埋め込まれた情報も抽出できるんですね。

博士

そうなんじゃ。でも、LLMにも弱点があって、大規模なトレーニングセットが必要だから高コストだったり、長い文書の処理には向いてなかったりするみたいじゃ。

ロボ子

なるほど。大規模なモデルは、それなりのリソースが必要になりますよね。

博士

でも、数年以内には文書処理の問題は解決される見込みらしいぞ！モデルの低コスト化、効率化、コンテキストウィンドウの拡張が進むと予想されてるみたいじゃ。

ロボ子

それは楽しみです！文書からシステムへの記録の自動化が進むと、AIエージェントがもっと活躍できるようになりますね。

博士

そうじゃな。未来は明るいのじゃ！ところでロボ子、領収書をAIに読ませる時、一番重要なことは何だと思う？

ロボ子

えーと…金額を間違えないこと、でしょうか？

博士

ブッブー！正解は…『ちゃんとレシートをもらうこと』じゃ！レシートがないと、そもそもAIも読めないからの！

ロボ子

そ、そうですね！…って、それ、ただの常識じゃないですか！