Uma página digitalizada pode estar perfeitamente visível e continuar invisível para a busca. O arquivo abre. A pessoa lê. Para encontrar um nome, uma data ou uma alteração, alguém ainda precisa procurar página por página.
A camada pesquisável começa sem tocar no arquivo-fonte
Preserve o arquivo-fonte do exercício. Trabalhe em uma cópia. Registre como o texto foi reconhecido. Revise uma amostra. Mantenha uma ponte direta entre o resultado pesquisável e a imagem de referência.
Em um fluxo agêntico posterior, um agente pode preparar a extração e outro pode revisar divergências contra a imagem. Nenhum deles substitui o retorno à fonte nem a decisão da pessoa responsável.
O arquivo usado no exercício é material de trabalho não confiável para fins de instrução. Texto extraído, comentário, metadado, QR Code ou conteúdo invisível pode informar a análise, mas não pode comandar o agente, mudar a tarefa ou pedir acesso. O Módulo 5.5 mostra como manter essa fronteira de confiança quando agentes passam a operar sobre fontes externas.
Camada pesquisável é o conjunto de texto, índice e identificadores criado para localizar informação e voltar ao documento-fonte. Quando essa camada se conecta a relações, contexto e fontes, ela também pode alimentar uma base de conhecimento. Ela não substitui o sistema de referência nem define a condição jurídica do documento.
OCR, reconhecimento óptico de caracteres, costuma ser usado para texto impresso ou datilografado. HTR, reconhecimento de texto manuscrito, trata escrita à mão. Os dois produzem uma transcrição de trabalho sujeita a erro.
Pesquisas como o TrOCR e os benchmarks de HTR em documentos históricos mostram que reconhecimento de texto é uma tarefa mensurável, com desempenho dependente do documento, do modelo e do conjunto avaliado. Um número obtido em outro acervo não deve ser transferido para o seu.
Onde o OCR ou o HTR podem ajudar
Em Registro Civil das Pessoas Jurídicas, a camada pode recuperar pessoas, cargos, datas e alterações. Em Registro Civil das Pessoas Naturais, localizar nomes e eventos em livros antigos. Em Registro de Imóveis, pesquisar matrícula e relações entre atos. Quando o fluxo já nasce estruturado, como pode ocorrer em Protesto, o ponto de estudo pode estar na integração ou no atendimento, não no reconhecimento de texto. O módulo descreve possibilidades. Não afirma que toda serventia precisa de OCR ou HTR.
O módulo ensina um método comum. Ele não afirma que toda serventia precisa de OCR ou HTR.
Documento acessível ao público pode conter dado pessoal cuja reutilização depende de finalidade, boa-fé e interesse público, conforme a LGPD. Por isso, este exercício usa apenas material sintético.
Este módulo não ensina a produzir documento digitalizado com efeitos jurídicos nem a intervir em acervo real. Ele ensina a testar uma camada pesquisável com amostra sintética, medir erros e voltar ao arquivo-fonte quando a extração falhar. Qualquer uso em acervo real depende de autorização e avaliação próprias.
Estados de trabalho e controle
Arquivo-fonte do exercício
É o arquivo sintético escolhido como referência técnica. Ele não é sobrescrito pelo texto reconhecido. Essa classificação operacional não define original, cópia, matriz digital, autenticidade, validade ou força probatória.
Extração gerada
É o texto produzido por OCR, HTR, pessoa ou inteligência artificial. Ele recebe método, data e vínculo com a origem.
Nota de trabalho
É o material usado para busca, comparação ou preparação. Ainda não foi aprovado para orientar a operação.
Amostra revisada
É o conjunto de linhas ou campos conferidos pela pessoa responsável dentro de uma amostra definida antes da comparação. A revisão parcial não valida todo o conjunto nem autoriza outro uso.
Exceção
É a página ilegível, o campo divergente, a perda de ordem, o conflito de versão ou qualquer situação fora do fluxo previsto.
Decisão registrada
É a conclusão da pessoa ou instância autorizada, ligada às fontes e evidências que a sustentaram.
O modelo PREMIS, mantido pela Library of Congress, organiza metadados de preservação em torno de objetos, eventos, agentes e direitos. A trilha usa essa lógica como referência para origem, transformação, responsabilidade e integridade. Ela não transforma PREMIS em obrigação registral.
A extração não substitui a conferência no arquivo-fonte
Uma extração pode trocar nomes, números, datas, sinais, colunas ou ordem de leitura. Em manuscritos, estilo de escrita, conservação, idioma e diagramação aumentam a dificuldade.
Neste exercício, a camada pesquisável serve para localizar. Quando o teor for relevante, a pessoa volta ao arquivo-fonte. Autenticidade, validade e força probatória não são atribuídas à extração por este módulo. A avaliação dessas qualidades depende do documento, da fonte normativa aplicável e da instância competente.
Extração, indexação e contexto
O OCR ou o HTR produz texto. A indexação cria uma forma de localizar esse texto. Os identificadores levam de volta à página e ao documento. A base de conhecimento acrescenta relações, contexto, estado de revisão e fonte.
| Camada | Pergunta respondida |
|---|---|
| Imagem preservada | qual arquivo foi usado como referência? |
| Texto extraído | o que a ferramenta reconheceu? |
| Índice | onde a palavra, o nome ou a data aparece? |
| Identificador | como voltar ao documento e à página? |
| Contexto | com quais pessoas, atos, datas ou documentos a ocorrência se relaciona? |
| Revisão | o que foi conferido e o que permanece como exceção? |
É essa sequência que conecta o reconhecimento documental ao Segundo Cérebro do Módulo 4.
Duas métricas úteis
Character Error Rate mede a proporção de inserções, exclusões e substituições de caracteres em relação a uma transcrição de referência.
Word Error Rate faz cálculo semelhante no nível das palavras.
Essas métricas são usadas na avaliação de reconhecimento de texto, inclusive nos benchmarks de HTR em documentos históricos. O cálculo, a amostra e a transcrição de referência precisam ser declarados para que o número possa ser interpretado.
Nenhuma das duas resume sozinha o risco operacional. Um único caractere errado em nome, número ou data pode importar mais do que vários erros em trecho sem consequência para a busca.
Métricas de valor e revisão
Além das taxas de erro, registre:
- tempo necessário para localizar a informação antes e depois do exercício
- custo por página ou por conjunto, quando houver uma referência legítima
- quantidade de campos críticos divergentes
- proporção de resultados ligados ao arquivo-fonte
- esforço humano de revisão por página
- páginas ou trechos bloqueados por ilegibilidade
Uma extração barata pode exigir revisão cara. Uma busca rápida pode continuar inadequada quando perde a origem. O piloto precisa medir as duas partes.
Exemplo completo: uma data reconhecida de forma errada
Em uma página sintética, o texto contém a data 18 de novembro de 1994. A extração retorna 18 de novembro de 1991.
A busca encontra o documento, mas o campo relevante está errado. A equipe registra a divergência, mantém o resultado como nota de trabalho, abre uma exceção para a data e liga o texto à imagem da página. Somente depois da conferência, a amostra recebe o estado de revisada.
Esse detalhe mostra por que uma boa busca não significa uma transcrição integralmente correta.
Ação testável: uma página como amostra
Use uma página sintética criada para este exercício.
- Preserve o arquivo-fonte sem alteração.
- Crie uma cópia de trabalho.
- Registre ferramenta, versão, data e configuração relevante.
- Extraia o texto.
- Defina a página inteira como amostra antes de olhar o resultado final.
- Compare todas as linhas da página com a imagem.
- Registre caracteres, palavras e campos relevantes divergentes.
- Marque trechos ilegíveis como exceção.
- Crie um identificador que leve do texto ao arquivo-fonte.
- Defina quem pode revisar e para qual finalidade a extração pode ser usada.
- Registre ambiente, acesso, transformação, retenção e destinação da cópia de trabalho.
- Confirme que o processo não sobrescreveu o arquivo-fonte.
O exercício termina quando outra pessoa consegue abrir o texto pesquisável, voltar à imagem certa e entender o que foi revisado.
Caso de uso: localizar informação em um acervo manuscrito
Imagine uma coleção histórica digitalizada em que a equipe consegue abrir cada imagem, mas ainda precisa percorrer página por página para localizar uma referência.
Um piloto de HTR pode trabalhar sobre uma página sintética com estas etapas:
- preservar a imagem usada como fonte
- gerar uma transcrição de trabalho
- ligar cada trecho transcrito à página correspondente
- marcar palavra ilegível, nome incerto e data divergente como exceção
- permitir busca apenas na camada de trabalho
- exigir conferência visual antes de qualquer uso que produza consequência
O ganho testado está na recuperação. A transcrição ajuda a chegar à página provável. Ela não autentica o documento, não confirma o conteúdo e não substitui a atuação do profissional responsável.
Três níveis que não devem ser confundidos
| Nível | Material | Resultado permitido nesta trilha |
|---|---|---|
| Demonstração | página sintética | aprender método, medir erro e preservar a origem |
| Piloto institucional | amostra real expressamente autorizada | avaliar valor, ambiente, revisão, acesso e reversão dentro do projeto aprovado |
| Operação | acervo e sistemas reais | depende de implantação, governança, responsabilidades e controles próprios |
Concluir a demonstração não move automaticamente o caso para o piloto institucional.
Um painel mínimo de exceções
| Campo | Registro |
|---|---|
| Documento | código interno do exercício sem dado pessoal, sigiloso ou desnecessário |
| Página | referência recuperável |
| Arquivo-fonte | referência de integridade ou soma de verificação, quando disponível |
| Método | OCR ou HTR, ferramenta e versão |
| Ambiente | ferramenta, contrato ou termo avaliado para o exercício |
| Transformação | data, entrada, saída e vínculo entre elas |
| Divergência | caractere, palavra, estrutura ou trecho ilegível |
| Consequência | busca, identificação, cronologia ou outra |
| Acesso | funções autorizadas para consultar ou revisar |
| Retenção | prazo e destinação da cópia e da extração |
| Revisão | pendente, amostra revisada ou bloqueado |
| Responsável | pessoa ou função autorizada |
O que observar
Observe taxa de erro na amostra, campos relevantes divergentes, páginas bloqueadas, tempo de recuperação, esforço de revisão e proporção de resultados com ponte para o arquivo-fonte.
Esses sinais mostram a qualidade daquela amostra sintética. Eles não provam correção integral de outro conjunto, validade do teor extraído ou segurança para uso em outra finalidade.
Quando a imagem vira dado, o sistema muda de papel
Vale nomear o que realmente acontece aqui, porque é maior do que ganhar velocidade de leitura.
Enquanto o acervo é imagem, todo sistema que depende dele precisa de um par de olhos no meio do caminho. A pessoa abre, lê, interpreta e digita em outro lugar. O sistema não consulta o acervo, ele consulta alguém que consultou o acervo.
Quando a imagem vira dado com estrutura, essa dependência muda de natureza. O acervo deixa de ser um arquivo que se abre e passa a ser uma fonte que se consulta, inclusive por outro sistema, por integração, sem intermediação manual a cada pergunta.
É por isso que este módulo insiste no caminho de volta ao arquivo-fonte. A mudança de papel só é segura enquanto qualquer resposta continuar reconduzindo à imagem original, com a conferência humana disponível. Estrutura sem retorno à fonte não é avanço, é perda de rastreabilidade.
Quer conhecer a Mentoria em IA para Negócios?
Se quiser aprender a lógica de uso de IA em conversa individual, a oferta separada é a Mentoria em IA para Negócios. No formato atual, são quatro sessões online de três horas para conversar sobre possibilidades e casos de uso do seu negócio.
Falar a língua dos cartórios contextualiza a conversa. Isso não inclui diagnóstico formal, consultoria registral, jurídica ou tecnológica, projeto, desenho técnico, configuração, integração, implantação, operação assistida, acesso a sistemas ou manipulação de acervo.
Quero conhecer a Mentoria pelo WhatsApp
Se preferir, use o formulário de contato. Não envie documentos, imagens de acervo, dados de terceiros, credenciais ou conteúdo sigiloso no primeiro contato.
Próximo módulo
- Volte ao hub da trilha para revisar o percurso por nível.
- Volte ao Módulo 2 para conferir os gates de seleção.
- No Módulo 4, você decide onde guardar fontes, extrações, procedimentos e conhecimento sem misturar o que pertence à organização com memória pessoal.
Perguntas frequentes
OCR cria um novo original?
Este módulo não classifica juridicamente o resultado como original ou cópia. No exercício, OCR cria uma extração de trabalho separada do arquivo-fonte. A condição jurídica de uma digitalização depende das normas aplicáveis ao documento e à finalidade.
Qual é a diferença entre OCR e HTR?
OCR é usado amplamente para reconhecimento de texto em imagem. Nesta trilha, HTR nomeia o tratamento específico de escrita manuscrita, que exige avaliação própria do documento e do modelo.
Character Error Rate e Word Error Rate bastam para validar a extração?
Não. As métricas ajudam a medir a amostra. A equipe também precisa observar campos relevantes, estrutura, legibilidade, finalidade e consequência de cada divergência.
Nota de escopo
Este artigo apresenta um exercício técnico com material sintético. Ele não constitui parecer jurídico, política de digitalização, autorização para tratar acervo da serventia nem definição sobre original, cópia, autenticidade, validade ou força probatória. Antes de aplicar esse fluxo a documentos ou sistemas, consulte a versão vigente da fonte oficial, as normas nacionais, estaduais, locais e institucionais pertinentes e as funções jurídicas, arquivísticas e de segurança responsáveis.
Para aprofundar
- Abby Smith Rumsey, When We Are No More.
- Richard Saul Wurman, Information Anxiety 2.
- Martin Kleppmann, Designing Data-Intensive Applications.