LightOn étend son modèle OCR à l'arabe grâce à une formation ciblée

LightOn a étendu avec succès son modèle de compréhension de documents, LightOnOCR-2, à la langue arabe. Cette adaptation a été réalisée grâce à un paramétrage précis, à l'aide d'un pipeline de génération de données synthétiques. L'ensemble de données comprenait 12 000 pages synthétiques avec des transcriptions de référence, démontrant ainsi la capacité du modèle à gérer la complexité de l'écriture arabe.

La reconnaissance optique de caractères (OCR) de l'arabe est complexe en raison de son écriture de droite à gauche, de ses caractères cursifs et de sa sous-représentation dans les bases de données par rapport aux langues latines. Ce développement vise à simplifier le traitement des documents pour les organisations du Moyen-Orient, en proposant une solution open source de niveau professionnel sous licence Apache 2.0.

Des guides pour le processus de paramétrage précis sont disponibles sur l'espace Hugging Face de LightOn, améliorant ainsi l'accessibilité pour les utilisateurs et élargissant les applications potentielles du modèle. LightOnOCR-2 demeure un élément central de l'offre libre-service de LightOn, LightOn Console, garantissant une base technologique cohérente.