C’est impressionnant, mais c’est dommage que ce soit encore Google (même si ce n’est pas surprenant)

mistigrite a écrit :



Dans reCaptcha un des mots que tu dois reconnaître n’est pas connu de Google. Seul l’un des deux mots sert véritablement de Captcha. Tu peux mettre n’importe quoi pour l’autre mot, ce sera toujours accepté. Il faut donc mettre n’importe quoi " />



Le but de reCaptcha est de faire travailler les internautes pour qu’ils reconnaissent des mots que Google n’a pas réussi à reconnaître automatiquement.







Effectivement après une courte recherche j’ai pu lire ça. Je ne savais pas du tout. Donc il numérisent les livres du monde entier pour mieux les revendre grâce aux internautes ? Sympas :)



Si au moins ils faisaient profiter tout le monde de leur solution de numérisation par la suite étant donné qu’elle a été améliorée par la coopération de beaucoup de gens… Mais faut pas rêver ^^ Ou en tout cas pas avant qu’ils aient fini de numériser le monde.

atomusk a écrit :

1. les livres scannés sont pour la plus-part libre de droit, et Google propose de les télécharger gratuitement en PDF (oui oui, je sais en contre-partie ils récupères des info sur toi au fil de tes recherches/téléchargements, donc c’est pas gratuit).
   
   Pour les livres “sous droit d’auteur”, les achats se font avec l’éditeur et se fait dans les règles (en tout cas, à ma connaissance il n’y a plus de gros procès en cours …. mais en effet ça n’a pas manqué )
   
   
   
   
   
   
   
   1. la “numérisation” sert principalement à la “recherche” sur ces documents ( exemple ), à ma connaissance, ils n’utilisent pas les données OCRIsés pour “réimprimer” (si il le faut, il vaut mieux de toute façon réimprimer les scan originaux)
      
      
      
   
   
   2. ReCaptcha n’a pas vocation à “améliorer” l’algo, mais plus à “servir de finition” aux différents algo d’OCR.
      
      
      
      Les OCR préparent une bonne partie du terrain, et avec recaptcha il “écrit” le livre.
      
      
      
      Recaptcha “n’améliore” pas les algo d’OCR, il valide leur résultat.
      
      
      
      
      
      
      
   
   
   3. Qu’est-ce qui te permet de dire que la plupart des livres scannés par Google sont libres de droit ? Si il y a eu nombre de procès ce n’est pas pour rien. Même si les livres scannés ne finissent pas forcément sur Google Books, tu crois vraiment que Google se prive de scanner tout ce qui lui passe sous le nez ?
      
      
      
   
   
   4. Tu crois vraiment que Google est incapable de faire autre choses de ces quantités colossales de données qu’un simple outil pour rechercher des termes dans un livre ? Sans parler de réimpression, les livres contiennent une quantité astronomique d’informations.
      
      
      
   
   
   5. Ça me paraît tout à fait plausible d’améliorer un algo en recoupant toutes les données reconnues par des utilisateurs, qui pourraient ressembler à d’autres éléments indéterminés d’autres scans. Je ne pense pas que ce système soit une simple agrégation de petites mains gratuites pour terminer le boulot qui n’a pas été fait par les systèmes d’OCR. A mon avis il est tout à fait possible d’intégrer des notions de probabilité sur un caractère/mot par rapport à tout ce qui a été saisi. Bref, des systèmes capables “d’apprendre” ça existe. Comme pour la reconnaissance vocale : si c’est de plus en plus performant c’est qu’un paquet de personnes demandent les même choses de façons différentes et que celles-ci peuvent ensuite être reconnues.
   
   

atomusk a écrit :



Ce qui lui passe sous le nez ? " />

Ils ont des accords avec des bibliothèques et des universités. En l’état leur “catalogue” contient énormément de livres dont les droits sont dans le domaine public.

Après concernant le nombre de procès, il suffit d’un livre pour qu’il y ait 200 procès.

Sinon concernant ce que je pense, je n’en pense rien, et je suis dispo si tu as une source récente (après les accords aux US de 2012 serait le mieux " /> ) " />









Faire autre chose ? Comme ? Bien entendu ça rentre dans leur “moteur de recherche” comme une page web comme un autre …

Bien entendu qu’ils y ont un interet, après tout il y a beaucoup d’argent et beaucoup d’emmerdes pour monter les projets de scan.







Avec la diversitée de polices, de langues, les pollution de scan, et si on rajoute l’usage de recaptcha sur les numéro de rue … Ca me semble Impossible si tu passes pas sur un algo du type reseau de neurones traitant de très grosses quantités de données …

Ah … c’est donc pour ça que Google l’utilise comme solution de Captcha : il n’y a pas d’algo d’OCR capable de scanner ces textes " />



CQFD " />







Bah je ne sais pas exactement ce qu’il en est aujourd’hui mais il me semble que tout ce que peuvent demander les éditeurs, c’est de ne pas apparaître sur le site de Google et obtenir une copie numérique de leurs œuvres.



Sinon, Google a des employés largement assez compétents et a suffisamment de moyens pour déduire encore un peu plus de choses de qui sont les internautes/ ce qu’ils font ou vont faire/ ce qu’ils aiment avec toutes ces nouvelles données. Tu crois sincèrement qu’ils font ça pour l’unique raison d’ajouter un service à leur catalogue ? Ça fait sourire tout de même… Je ne parle pas de théorie du complot, mais ça ne me paraît pas fou (bien sûr je n’ai pas de preuves) qu’ils n’aient pas pour seul but d’indexer tout ça. Ils sont complètement capables d’analyser/traiter/exploiter des quantités astronomiques de données au delà de l’indexation.



Et pour l’OCR tu as peut être raison, mais je te trouves pessimiste. Penser qu’il est impossible d’améliorer l’existant avec toutes ces informations supplémentaires ? Mais bon tu sembles être un expert en la matière à te lire.



Bref, ça a l’air sans intérêt cette discussion. Je fais des suppositions, tu m’en donnes d’autres… Mon but n’était pas d’avoir raison puisque je ne peux rien affirmer, donc je ne vois pas trop ce que tu veux “prouver”.