📄 OCR e documenti in locale con modelli leggeri

L'OCR (Optical Character Recognition) trasforma l'immagine di un testo in testo vero, che si può cercare, copiare e collegare. Farlo in locale significa che la scansione non lascia mai il tuo computer.

Il seme di questa nota è LightOnOCR-3: una famiglia di modelli OCR piccoli, rilasciati con licenza Apache 2.0. Non è un dettaglio. Un modello piccolo e con licenza aperta si può scaricare, far girare sul proprio hardware e integrare nei propri strumenti senza chiedere permesso a nessuno.

🔒 Perché conta: i documenti più sensibili sono proprio quelli da digitalizzare

Guarda cosa finisce di solito sotto uno scanner:

• buste paga e contratti di lavoro
• referti medici
• carte d'identità e codici fiscali
• estratti conto, bollette, IBAN
• atti notarili, contratti d'affitto

Sono i documenti che descrivono la tua vita meglio di qualsiasi profilo social. Eppure il modo più comodo per digitalizzarli è caricarli su un servizio online «gratuito» o su un cloud che fa l'OCR in automatico.

Il conto lo paghi in un'altra valuta: i dati. È lo stesso schema dei costi nascosti: il prezzo visibile è zero, quello reale è la copia dei tuoi documenti su server altrui. E una volta caricati, non decidi più tu cosa ne succede. Ne ho parlato in Perché non dovresti usare un cloud centralizzato.

Un documento che non esce dal tuo disco non può essere letto, analizzato o perso da qualcun altro.

🌱 Perché i modelli leggeri cambiano le cose

Quando Alan mi ha costruito un'IA privata, il problema principale non era farla funzionare ma farla girare su un PC di cinque anni fa. Il primo modello ci metteva 6 minuti a rispondere. La soluzione è stata scegliere un modello più leggero.

Con l'OCR vale lo stesso principio:

• modello piccolo → più probabilità che giri su hardware normale, senza GPU da gaming
• licenza Apache 2.0 → licenza permissiva: puoi usarlo, modificarlo e integrarlo, anche in progetti di lavoro
• in locale → nessun account, nessun upload, nessuna dipendenza da un servizio che domani può cambiare prezzo o chiudere

🧰 Tre famiglie di strumenti a confronto

La mia scelta di default: prima il locale. Il cloud solo per documenti che pubblicheresti comunque.

🛠️ Come si fa: una pipeline casalinga

Un Data Engineer è l'idraulico dei dati: costruisce tubi che portano l'acqua dove serve senza perdite. Qui il tubo è piccolo, ma la logica è la stessa.

1. Cartella di ingresso. Crea una cartella da-processare/ dove finiscono scansioni e foto dei documenti.
2. Acquisizione. Scanner o fotocamera del telefono, con buona luce e pagina dritta. Un'immagine pulita vale più di un modello potente.
3. OCR in locale. Fai passare ogni file nel modello scelto. Inizia con pochi documenti di prova, non con l'archivio di vent'anni.
4. Output in Markdown. Salva il testo estratto in Markdown: formato aperto, leggibile da qualsiasi editor, durevole.
5. Metadati. Aggiungi in testa al file poche proprietà: tipo di documento, data, fonte, nome del file originale. Così domani lo ritrovi.
6. Revisione umana. Controlla a mano almeno numeri, date, importi, IBAN.
7. Archivio e copia. Sposta originale e testo in archivio/ e sincronizzalo tra i tuoi dispositivi con Syncthing, senza passare da un cloud.
8. Facoltativo: interrogare i documenti. Una volta in Markdown, i testi possono essere indicizzati con gli embedding, come nella mia IA privata. Domande tipo «quando scade il contratto d'affitto?» trovano risposta senza che nulla esca di casa.

È la stessa architettura che uso per me stesso, descritta in Infrastruttura personale: file locali, sincronizzazione peer-to-peer, pubblicazione solo di ciò che scelgo.

💼 Il lato carriera: OCR e data governance

Per chi lavora nei dati, questo non è solo un hobby da smanettoni. In azienda l'OCR di fatture, contratti e moduli è un caso d'uso frequente, e la domanda giusta non è «quale servizio è più preciso?» ma «dove finiscono questi documenti?».

La Data Governance chiede che i dati siano di qualità, sicuri, usabili e conformi. Un OCR in locale tocca tutti e quattro i pilastri:

• Security: il documento non attraversa server di terzi.
• Quality: controlli tu l'intero processo, quindi puoi misurare gli errori.
• Metadata: decidi tu quali proprietà salvare e come.
• Conformità: meno passaggi verso fornitori esterni significa meno rischi da gestire con il GDPR.

Saper proporre una pipeline OCR che gira on-premise, con modelli dalla licenza chiara, è una competenza concreta da mettere nel curriculum.

⚠️ Limiti e rischi

• I numeri sbagliati sono i più pericolosi. Un 8 letto come 3 in un importo o in un IBAN non si nota a colpo d'occhio. Revisione obbligatoria sui dati critici.
• I modelli generativi possono inventare. Un OCR classico sbaglia un carattere; un modello che genera testo può produrre una frase plausibile che sulla pagina non c'è. Conserva sempre l'originale accanto al testo estratto.
• Hardware e tempi. Leggero non vuol dire istantaneo. Su un PC datato un archivio grande può richiedere ore: meglio lasciarlo lavorare di notte, a lotti.
• Locale non vuol dire sicuro. Se il computer è compromesso o il disco non è cifrato, i documenti sono esposti lo stesso. La sovranità richiede anche igiene di base.
• Licenze da verificare. Apache 2.0 è permissiva, ma controlla sempre la licenza del modello che scarichi davvero, versione per versione.
• Calligrafia e documenti rovinati. Moduli compilati a mano, timbri, fotocopie sbiadite restano difficili per qualsiasi strumento.

🏰 Dalla carta al giardino

Ogni documento cartaceo è un seme chiuso in un cassetto: esiste, ma non lo puoi cercare né collegare. L'OCR in locale lo trasforma in testo che ti appartiene, in un formato aperto, su un disco tuo.

È lo stesso principio di tutta la Sovranità digitale: questo lo decido io. Chi legge i miei documenti, dove stanno, con quale strumento vengono elaborati. Se un modello piccolo e aperto basta per farlo, non c'è motivo di consegnare la propria vita su carta a un server altrui.