Учёные ЮНИИИТ обучили Tesseract распознавать мансийский текст

Специалисты ЮНИИИТ доработали открытый движок Tesseract 5, который теперь эффективно распознаёт печатный текст на мансийском языке. Предыдущая версия системы допускала примерно 18,5% ошибочных символов, однако после дообучения этот показатель сократился до 0,85%, что означает двадцатикратное повышение точности.

Проект является частью более широкой инициативы «Корпус мансийского языка», в рамках которой ранее была создана нейросеть для двустороннего перевода между русским и мансийским языками. Для этого собрали корпус из 300 тысяч параллельных предложений.

Разработанная модель для распознавания мансийского текста находится в открытом доступе, что позволяет другим исследователям и разработчикам использовать её в своих проектах. Это важный шаг для сохранения и развития языков коренных народов.