Leggere le multe in PDF in automatico: testo, OCR e limiti reali

Leggere le multe in PDF in automatico significa estrarre da un verbale i dati che servono — targa, data e ora dell'infrazione, luogo, importo — senza che nessuno li ricopi a mano. È uno dei casi di estrazione documentale più concreti, e anche uno dei più istruttivi su cosa l'automazione sa e non sa fare.

La lezione centrale arriva subito: non è un problema di algoritmo, è un problema di campo giusto. Estrarre "una data" da un verbale è banale; capire che serve quella dell'infrazione e non quella di notifica è essenziale per il processo, e non si scopre leggendo la documentazione.

Questo articolo descrive la lettura assistita implementata per Rial Rent e i suoi limiti. Il caso Rial Rent distingue funzioni realizzate ed effetti ancora da misurare; il CRM per il noleggio auto ne presenta il contesto operativo.

Le due strade, in cascata

Un PDF non è un formato, sono due cose molto diverse che condividono un'estensione.

La sequenza corretta è provare sempre prima il testo. Se c’è, si evita il riconoscimento dei caratteri dall’immagine. Restano possibili errori nell’ordine del testo e nella scelta dei campi. Nell’implementazione descritta l’OCR interviene anche quando il testo non fornisce i dati chiave, non soltanto quando è assente.

L'OCR nel browser: vantaggio e prezzo

Nel progetto l'OCR gira sul dispositivo di chi carica il file, non su un server. La pagina viene resa su un canvas e passata a un motore di riconoscimento configurato per l'italiano.

L'ultimo punto sembra estetico e non lo è. Un'attesa di venti secondi senza nessun segnale viene letta come un guasto: la persona ricarica la pagina, riprova, e alla terza volta smette di usare la funzione. Una barra di avanzamento con una riga di testo che spiega cosa sta succedendo cambia completamente la percezione.

Validare invece di fidarsi

L’OCR può confondere caratteri graficamente simili. Sono errori ricorrenti da considerare, senza presumere che siano gli unici:

• La lettera O letta come zero, e viceversa.
• La I maiuscola confusa con il numero 1.
• La S confusa con il 5, la B con l'8.
• Spazi inseriti o persi in mezzo a una sequenza.

Sapendo questo, la strategia è semplice: si cerca il formato atteso invece del contenuto libero. Una targa italiana ha una struttura precisa — due lettere, tre cifre, due lettere — e un'espressione regolare può cercarla tollerando le sostituzioni note. Nell’estrazione descritta una O trovata nelle posizioni numeriche può essere normalizzata a zero. Questo corregge una possibile confusione, senza dimostrare che la targa proposta sia quella del verbale.

Se dopo le correzioni previste il risultato non rispetta comunque il formato, il sistema non tira a indovinare: dichiara di non aver riconosciuto la targa e chiede l'inserimento manuale.

Il campo giusto: la data che conta

Questa è la parte che non si trova nella documentazione tecnica e che si scopre solo parlando con chi fa il lavoro.

Un verbale contiene almeno due date: quella in cui è avvenuta l'infrazione e quella in cui il verbale è stato notificato. Possono distare settimane. Per tutti gli usi tecnici — archiviare, cercare, ordinare — vanno bene entrambe. Per l'uso che serve davvero, cioè capire chi fosse alla guida, ne funziona una sola.

Prendere quella sbagliata non produce un errore visibile: produce un'attribuzione plausibile e sbagliata, che arriva a un cliente che quel giorno non aveva l'auto. È il tipo di errore che costa un rapporto commerciale.

Le regole cercano indicatori testuali associati alla data e all’ora, ma il valore proposto può riferirsi al campo sbagliato o includere assunzioni quando il testo è incompleto. Per questo non basta che il modulo sia compilato o non mostri un errore: occorre confermare sul verbale l’istante effettivo dell’infrazione. Il passaggio successivo — trovare il conducente — è descritto in abbinare la multa al conducente.

Espressioni regolari o modello linguistico?

C'è una scelta di fondo che vale la pena esplicitare, perché oggi la risposta istintiva è "usiamo un modello" e spesso è sbagliata.

Per i verbali la risposta è la prima colonna. Una targa italiana ha una struttura fissa, un importo ha un formato riconoscibile, una data pure. Un modello linguistico farebbe lo stesso lavoro introducendo imprevedibilità dove non serve, con un costo per documento e senza possibilità di spiegare l'output. Il confronto generale fra i due approcci è in AI per analizzare documenti aziendali.

Questo non significa che l'AI non abbia posto: su documenti fornitore molto variabili, o su testi in cui l'informazione è narrata invece che tabellata, il ragionamento cambia completamente.

Cosa succede dopo l'estrazione

L'estrazione non è il fine, è l'inizio. I campi estratti devono finire da qualche parte e servire a qualcosa.

1. Precompilazione della scheda. I campi riconosciuti riempiono il modulo. Una proposta compilata può essere errata o basata su dati incompleti: la persona verifica ciascun campo utile e completa ciò che manca.
2. Ricerca del veicolo. La targa validata viene cercata in flotta: se non esiste, il processo si ferma con un messaggio chiaro.
3. Abbinamento al conducente. Con targa e istante si cerca il contratto attivo, come descritto in abbinare la multa al conducente.
4. Archiviazione del documento. Il PDF originale resta allegato, perché il dato estratto non sostituisce mai la fonte.

L'ultimo punto è una regola generale delle automazioni documentali: il documento originale non si butta mai. Il valore estratto è una comodità operativa, la prova resta il file.

Scenari illustrativi

Un verbale digitale. In questo scenario illustrativo il PDF ha un layer di testo: il sistema cerca i campi previsti e li propone nel modulo. Una persona controlla comunque che data, ora, targa e importi corrispondano al verbale. Non è un risultato misurato sul campione Rial Rent.

Una scansione fotografata storta. Il documento è stato fotografato invece che scansionato. L'OCR estrae la targa con un carattere sbagliato; la validazione di formato lo corregge perché rientra nelle sostituzioni note. La data invece risulta illeggibile: il sistema lo dichiara e chiede di inserirla.

Un verbale da un ente con formato inatteso. La struttura del documento non corrisponde a quelle previste. Le regole possono produrre dati parziali o individuare un valore che non è quello utile. Il confronto con l’originale e l’inserimento manuale restano necessari.

Un altro tipo di documento. Lo stesso schema — testo prima, OCR poi, validazione sempre — si applica a fatture fornitore, bolle e moduli. Il tema generale è in automazione documenti con AI e in AI per analizzare documenti aziendali.

Errori da evitare

Mandare tutto all'OCR. Costa tempo e introduce errori su documenti che si leggerebbero perfettamente dal testo.

Non validare i campi estratti. Un dato estratto senza controllo di formato è un dato di cui non sai niente. La validazione è ciò che rende utilizzabile l'output di un OCR.

Riempire i campi con l'ipotesi migliore. È la scelta che rende l'automazione inutilizzabile: nessuno controlla un campo che risulta compilato, quindi l'errore passa.

Non mostrare l'avanzamento. Un'attesa silenziosa viene interpretata come un guasto, e la funzione smette di essere usata.

Estrarre il dato sbagliato con grande precisione. È l'errore più insidioso perché tecnicamente il sistema funziona: legge benissimo una data che non serve. La correzione non è tecnica, è capire il processo.

Come applicarlo in azienda

1. Guarda venti documenti veri prima di scrivere qualsiasi cosa. Quanti sono digitali e quanti scansioni? Da questa proporzione dipende quanto l'OCR sarà centrale.
2. Chiedi a chi fa il lavoro quale dato serve davvero, non quali dati ci sono. Sono domande diverse e la seconda porta fuori strada.
3. Definisci il formato atteso di ogni campo: è la base della validazione e vale più di qualsiasi modello.
4. Decidi cosa succede quando il sistema non è sicuro, e falla diventare una schermata, non un caso non gestito.
5. Valuta dove elabori: nel browser per riservatezza, su server per velocità e uniformità. Sul trattamento dei dati vale la pena leggere AI e sicurezza dei dati.

Se i documenti da elaborare sono molti e arrivano da canali diversi, il tema si allarga all'automazione del data entry.

Conclusione

Leggere le multe in PDF in automatico permette di proporre dati per la registrazione. L’OCR e le regole possono sbagliare: la validazione di formato aiuta, ma non sostituisce il confronto con il verbale né dimostra l’accuratezza dell’estrazione.

La regola che vale più di tutte: fai in modo che il sistema dica quando non è sicuro. Un'automazione onesta sui propri limiti viene usata; una che indovina viene abbandonata dopo il primo errore scoperto per caso.

Vuoi capire quali processi della tua azienda possono essere automatizzati con l'AI? Giallo Studio può aiutarti a trasformare il problema in un workflow reale. Il progetto completo è in software su misura.