Давид Ян

Давид Евгеньевич Ян родился 3 июня 1968 года в Ереване. Отец — китаец Ян Ши, мать — армянка Сильва Ашотовна, оба физики по образованию. Учился в ереванской школе, затем в физико-математической школе при Ереванском университете, а в 1985 году поступил в МФТИ на факультет общей и прикладной физики.

Идея электронного словаря пришла к нему в 1989 году, ещё студентом. К разработке он привлёк начинающего программиста Александра Москалёва, сотрудника Института проблем технологии микроэлектроники РАН, и вместе они на четвёртом курсе основали компанию Bit Software — в 1998 году она была переименована в ABBYY.

Самыми известными продуктами компании стали словарь Lingvo и система распознавания текста FineReader. В 2007 году вышел двухтомный иллюстрированный «Большой англо-русский словарь Lingvo», в 2016-м — сервис Findo. Ян — кандидат физико-математических наук, лауреат премии Правительства России 2001 года, входил в попечительский совет благотворительного фонда, созданного выпускниками МФТИ.

FineReader решает задачу, которая кажется тривиальной человеку и оказалась одной из самых трудных в информатике: превратить изображение страницы в текст, с которым можно работать. Называется это распознаванием текста, или OCR.

Сложность в том, что для компьютера скан — просто сетка точек разной яркости. Букв там нет. Поэтому работа идёт слоями. Сначала изображение выпрямляют и чистят: страницу почти всегда сканируют с наклоном, с тенью от сгиба, с пятнами и просвечивающим оборотом. Затем находят структуру — где текст, где картинка, где таблица, где колонки, — потому что читать двухколоночную страницу подряд слева направо бессмысленно. Дальше строки режут на символы, и здесь возникает главная беда: в реальном тексте буквы слипаются, «rn» неотличимо от «m», а точка над «i» может пропасть при печати.

Спасает то, что распознавание не решается по одному символу. Система выдвигает несколько гипотез для каждой закорючки, а выбирает между ними по словарю и по языковой статистике: сочетание, из которого получается настоящее слово, побеждает сочетание, из которого получается бессмыслица. Именно поэтому OCR тем точнее, чем лучше он знает язык документа, и именно поэтому он спотыкается на именах собственных, аббревиатурах и таблицах с цифрами — там словарь не помогает, подсказать нечем.

Отсюда практический вывод для любого, кто оцифровывает документы: качество исходного скана важнее версии программы. Кривая страница, снятая телефоном под углом, даёт ошибок больше, чем самый скромный сканер с прижатой крышкой.