La fondamentale differenza fra un documento non strutturato e uno strutturato, dal punto di vista dell’indicizzazione automatica, è la costanza nella collocazione spaziale di un dato specifico all’interno del documento stesso.

Prendiamo un esempio classico di documento strutturato: la prescrizione, o ricetta, medica. Tutte le ricette mediche emesse in Italia sono scritte su un modulo identico, di struttura prefissata: il codice fiscale dell’assistito è sempre nello stesso punto, la data della ricetta ha anch’essa sempre la stessa posizione, e così vale per i farmaci prescritti.

In questo caso, l’indicizzazione è più semplice, perché è sufficiente programmare il sistema di lettura ottica con un modello documentale che, appunto, indichi che il dato trovato nella posizione A va indicizzato come data, quello in posizione B come codice fiscale dell’assistito, e così via.

Ma quando passiamo ai documenti non strutturati, le cose si fanno più complesse. Un buon esempio di documento non strutturato è quello delle fatture o dei DDT. Se infatti essi devono contenere gli stessi dati – ragione sociale, importo, indirizzo, data, tanto per dirne alcuni – non è assolutamente detto che questi si trovino nello stesso punto: il modulo di fattura del cliente A può infatti mettere la data nel punto del foglio dove quello del cliente B prevede invece il CAP, o la ragione sociale, o addirittura un pezzo del disegno del logo aziendale. Come risolvere questa situazione, che di per sé sembra compromettere la possibilità di effettuare una corretta indicizzazione automatica dei documenti?

La prima soluzione è quella di trovare un modo di rendere “strutturato” il documento in questione, insegnando al computer che nel modulo di fattura di quello specifico cliente la data è in posizione A, l’importo totale in B, la ragione sociale in C, e così via; questo richiede sì di creare tanti moduli documentali quanti sono i tipi di documento che si ricevono regolarmente, (e di avere la certezza che il documento venga identificato come del tipo corretto) ma poi rende l’indicizzazione semplice e sicura come nel primo caso descritto.

Ma come fare per quei documenti – pensiamo alle lettere, o ai curriculum vitae – nei quali la posizione dei dati è completamente casuale? Non è pensabile, né utile, immaginare di creare un modello documentale diverso per ogni singolo documento: in questi casi, invece, si procederà tramite un’identificazione logica, e non più spaziale, dei dati. Un certo formato – GG/MM/AAAA, ad esempio – dovrà essere considerato con ogni probabilità una data; le parole che seguono espressioni contenenti la parola “indirizzo”, e che sono precedute dalla parola “Via”, “Viale” o “Piazza” e seguite da un numero andranno catalogate appunto come indirizzo, le due parole scritte in fondo a destra in una lettera saranno da considerare nome e cognome del mittente, e così via. Tali regole permetteranno al sistema di indicizzazione automatica, se ben scritte, di operare un “ragionamento” molto simile a quello che un operatore umano mette in atto istintivamente quando scorre un documento alla ricerca di un’informazione.