Souhrn
Při vývoji webové aplikace pro běžecký klub se autor setkal s problémem digitalizace komplexních tabulek z knihy Daniels’ Running Formula. Běžné nástroje pro optické rozpoznávání znaků (OCR) selhaly, zatímco experimentální nástroj ChatGPT Atlas dokázal z pěti fotografií stránek s prohnutým papírem a hustým uspořádáním sloupců vygenerovat přesná CSV data.
Klíčové body
- Tréninkové tabulky z běžecké literatury jsou strukturovány v mnoha sloupcích a na více stránkách, což komplikuje OCR.
- Běžné OCR nástroje (např. Google Keep, Adobe Scan) nezvládly zachovat strukturu dat kvůli prohnutí stránek a hustému formátování.
- ChatGPT Atlas – experimentální nástroj založený na multimodálních schopnostech LLM – autonomně zpracoval fotografie a vygeneroval čistá strukturovaná data.
- Výsledná data umožňují výpočet tréninkových temp podle systému VDOT, který vyvinul trenér Jack Daniels.
Podrobnosti
Autor, trenér běžeckého klubu Finger Lakes Runners Club, potřeboval digitalizovat dvě klíčové tabulky z knihy Daniels’ Running Formula: jednu pro určení VDOT (odhad aerobní kondice na základě výsledku závodu) a druhou pro převod VDOT na konkrétní tréninková tempa pro různé vzdálenosti a typy tréninku (Easy, Marathon, Threshold, Interval, Repetition). Tyto tabulky zabírají téměř čtyři stránky a jsou formátovány v hustých sloupcích, často s prohnutým papírem u vazby knihy – což je pro OCR extrémně náročná situace.
Po neúspěchu s tradičními nástroji OCR (včetně mobilních aplikací a cloudových služeb) vyzkoušel autor ChatGPT Atlas – experimentální rozhraní umožňující LLM zpracovávat obrázky a extrahovat z nich strukturovaná data. Nástroj nejen správně rozpoznal text, ale i zachoval relace mezi řádky a sloupci, a výstupem bylo čisté CSV, připravené k integraci do webové aplikace. Tato aplikace nyní umožňuje běžcům zadat čas závodu, získat VDOT a následně vypočítat tempa pro netypické tréninkové série (např. schodovité série 200–400–600 m).
Proč je to důležité
Případ ukazuje, že moderní multimodální LLM (Large Language Models) začínají překonávat limity tradičních OCR systémů, zejména v situacích, kdy jde o složitě strukturovaná data. Zatímco klasické OCR nástroje se zaměřují na přesnost rozpoznání znaků, LLM jako ChatGPT Atlas dokáží „chápat“ kontext a logickou strukturu tabulek. To má potenciál zjednodušit digitalizaci starých technických manuálů, vědeckých publikací nebo historických dokumentů, kde je formátování nepravidelné. Nicméně je třeba mít na paměti, že se jedná o experimentální nástroj – jeho spolehlivost a škálovatelnost pro komerční nasazení zatím nejsou ověřeny.
Zdroj: 📰 TidBITS
| 