Tradizionalmente, i sistemi OCR basati su deep learning richiedono acceleratori GPU per gestire il carico computazionale delle reti neurali, una condizione che ha limitato l’adozione in molti contesti aziendali. L’annuncio della versione CPU della soluzione “OCR IX” da parte di SynapSoft introduce un approccio alternativo, dimostrando la possibilità di eseguire modelli AI di riconoscimento documentale anche su infrastrutture standard prive di accelerazione hardware dedicata.
Il vincolo della GPU è stato finora uno dei principali ostacoli all’adozione dell’OCR avanzato in ambienti enterprise. Molte organizzazioni, in particolare nei settori pubblico e finanziario, operano in contesti con separazione di rete e policy di sicurezza restrittive che rendono complesso introdurre nuovi server ad alte prestazioni. Allo stesso tempo, numerose aziende manifatturiere o di medie dimensioni dispongono di infrastrutture IT basate prevalentemente su CPU, senza acceleratori dedicati. Questo scenario ha spesso portato a rinviare l’introduzione di sistemi OCR basati su AI, nonostante i benefici in termini di automazione documentale.
La versione CPU del sistema è stata progettata per essere installata direttamente su server on-premise esistenti, evitando la necessità di investimenti hardware aggiuntivi. Per ottenere questo risultato, il modello è stato ottimizzato tramite tecniche di quantizzazione, che riducono la complessità numerica delle operazioni e quindi il carico computazionale. Normalmente questo tipo di ottimizzazione comporta una riduzione dell’accuratezza, ma l’azienda ha dichiarato di aver effettuato un’ottimizzazione specifica dell’architettura e del profilo di calcolo, mantenendo la perdita di qualità sotto l’1%.
L’ottimizzazione ha riguardato non solo la compressione del modello, ma anche la riorganizzazione del flusso di inferenza per adattarlo all’esecuzione su CPU. Questo ha permesso di ottenere una velocità operativa dichiarata di circa 100 elaborazioni al minuto, un livello considerato sufficiente per molte applicazioni aziendali. L’obiettivo non è competere con le prestazioni massime dei sistemi GPU, ma fornire una soluzione equilibrata per carichi di lavoro piccoli o medi, dove l’efficienza complessiva e la semplicità di integrazione sono prioritarie rispetto alla throughput assoluta.
Un aspetto centrale della proposta riguarda il costo totale di proprietà. Eliminando la necessità di GPU e server dedicati, le organizzazioni possono riutilizzare l’infrastruttura esistente, riducendo significativamente l’investimento iniziale. Questo approccio rende l’adozione dell’OCR AI più accessibile, soprattutto per realtà che gestiscono volumi documentali moderati ma richiedono elevati standard di sicurezza e controllo dei dati. La soluzione è stata progettata specificamente per ambienti in cui l’elaborazione locale è preferibile rispetto al cloud, come nel caso di dati sensibili o sistemi isolati.
La piattaforma mantiene livelli elevati di accuratezza. Il sistema OCR IX ha ottenuto una certificazione ufficiale con un tasso di riconoscimento del 99,3% per il testo in lingua coreana e risulta già adottato da oltre 200 organizzazioni. Questo indica che l’ottimizzazione per CPU non è stata concepita come una versione ridotta, ma come una variante operativa destinata a contesti infrastrutturali specifici.