Minimális tapasztalattal, csak a sima "csík vágó" terén. Kb. '95 környékén írtam ilyen szoftvert - de elég annyira komplex a dolog, nem jutottam messzire vele. Teszt olcsó "csíkravágó" megsemmisítő demo egyszerű szöveges kb. xxxx mennyiségű A4 lap csíkból nem sokat, kb. y-t sikerült összerakni, elmondhatatlan melóval.

Tesztből manuálisan is leválogattam párat (mármint pár xxx A4-es ből). NA AZ meló. Idegek kellenek hozzá. Mondjuk 10 oldalt összerakni nem akkora munka. 200 oldal már, hát melós. Pár millió csík esetén...

Vannak alap trükkök, pl. a papír maga: kezdetnek a méret (bár itt kb. az összes A4 lehet), szín, fehérítő típus (optical brightness), mintázata (texture), tömege, hullámossága (régi archív anyagoknál). Majd a a papír (lap) további felismerhető dolgai, pl. lefűzés lyukak, ragasztás, sérülések. Oldalszámok (ha vannak) - hogy lehessen tudni, hogy mennyi lapról is lehet szó, mennyi a duplikáció (pl. ha 7 db "5-os oldal" ad van, akkor lehet 7 doksi van). A vágás mintája, szélessége, vágási hibák (pl. a lap vége), ív. A megsemmisítés kisebb dolgai, pl. kicsit ferdén lett vágva, erőltetve volt (pl 5 lapos a vágó, de ők 7 et raktak bele), stb.

És ez még csak a kezdet. Egy oldalas, két oldalas. Betűtípus/méret. Nyomtatás, fénymásolás hibái - pl koszos toner miatt van egy horizontális csík benne x cm enként, nyomtatás színe (szürkeárnyalata). Az szöveg text oldal elrendezése, elhelyezkedés: margó, gutter. Formázás: Sorköz, sortávok, bekezdések. karakterek pontos pozíciói (értsd: nagyon pontos). Üres csíkok leválogatása, azok amikbe nem vágott bele annyira - pl. a közepén van "egész" karakter. Számok azonosítása - mert van esély hogy előtte, mögötte is szám lehet. Kézzel írások válogatása - pl. aláírás, láttamozás, egyéb kiegészítések (és ott ismét: tinta színe, stb.). Oldalszámok, header/footer minták. És vannak még más mágiák, pl. pattern felismerés: iktatószám, dátum, bankszámlaszám, stb. Kötőjelek, idézőjelek, pontok, aláíráshoz vonalak, és hasonlók. Spec karakterek felismerése, pl. paragrafus, stb. A klasszik ékezetek. És ezekből van még pár. Jöhet majds a dictionary attack, és abban elsőnek pár eset - Pl. egymás után két azonos karakter, pl: "jj" -> ebből lehet nincs annyi szó a magyar nyelvben ami ezt használná, lehet hogy "jöjjön" lesz az.

Van pár komoly komoly probléma: aki "válogatja", annak megbízható embernek kell lennie. Szóval van mondjuk 1 000 000 csíkod, azt nem oszthatod ki társadalmi munkába. Szintén komoly problem, hogy az információ visszanyerés eredménye - az információ értéke - is kétes. Pl. összeraksz egy lapot, és kb. az van csak rajta, hogy mennyi pogácsát rendeljenek az egyik rendezvényre.

Szóval nagyon-nagyon fontosnak kell lenni az anyagnak. Manuálishoz türelem sem árt - nem kevés. És a nyakodon fognak ugrálni, hogy "mikor lesz már kész????" és mondod hogy kb még 3 hónap, esetleg 2. Rá is lehet unni, nem lehet 8 órában folyamatosan csinálni. A végén meg csalódottak és nem fizetnek, mert pl. csak pár oldalt sikerült összerakni, és azok is semmitmondóak.

Pár való élet eset a történelemből : '75 - amikor a Vietnámi háborúban az Amerikai nagykövetséget menekítették ki, már nem tudták az összeset elégetni, sok darált maradt. Valamennyit összeraktak, de talán nem olyan sokat (pár ezer oldal talán?). Pár fotót láttam, kb. úgy képzeld el, hogy egy tornacsarnok közepén vagy egy fél hegynyi ledarált, és mehet a móka. Hasonló volt Iránban '79 körül. Ott elromlott az égető, és a sima iratmegsemmisítőkkel tették amit tudtak. Aztán azokból összeraktak pár ezer oldalt (nem sokat? talán olyan 2-5000?), mondjuk pár millió csíkból, pár év alatt (3-5? biztos nem 10). Legendák szerint "szövőnők" rakták össze, de ez asszem nem igaz, talán 100 körüli, angolul perfect és nagyon eltökélt egyetemista vagy hasonlók rakták össze. Talán olyan Itt egy példa (Wikipedia) egy Iráni összeillesztettről: https://en.wikipedia.org/wiki/Iran_hostage_crisis#/media/File:Shredded_1979-09-01_1305Z_CIA_cable_from_American_Embassy_Tehran.jpg

Nem követem hogy hol tart ez a tudomány azóta. Könnyű azt mondani hogy AI - biztos mágiákat csinál, de a fizikai része (scan, stb.) sem annyira egyszerű. A németek csináltak erre jó programokat (STASI darálások), eszközöket ha jól emlékszem. Azt gondolom, hogy a kicsire vágott (nem csík, hanem pl. pellet szerű) az kb. lehetetlen feladat.

Fun fact: szerintem nem a "titkos" anyagok a fő üzlete ennek, hanem pl. tévedésből ledaráltak 50 évvel ezelőtti geodéziai adatokat, ami még most is érték. Legalábbis hasonlókról hallottam.