Badatel, dvacet dva tisíc stránek, nástroj vytvořený nejprve pro sebe

Dvacet let badatelských cest do pěti archivů, v Evropě a v Americe: krabice obchodní korespondence, odborné časopisy z dvacátých let, fotografované z ruky, křivě, po tisících. Dvacet dva tisíc snímků, z nichž jen část byla projita — ručně, stránku po stránce, v němčině.

Nástroj byl vytvořen pro tento fond. Každé pravidlo vychází z lekce zaplacené na těchto stránkách: směr čtení, který metadata fotoaparátu určí špatně jednou ze tří; rukopis, který je třeba svěřit posílenému opakovanému čtení, aby se omezila vymyšlená slova; signatura, kterou je třeba jít přečíst do paty stránky, protože ji nikdo nezadává; originál, který se nesmí nikdy znovu komprimovat. Co funguje na dvaceti dvou tisících stránek, by mělo fungovat i na vašich.

wondarchive je online služba, která přepisuje, překládá a indexuje fotografie archiválií pořízené v badatelně, pro historiky, doktorandy, archiváře a genealogy.

Je hostován ve Francii, u OVHcloud, a dokumenty tam nahrané nikdy netrénují žádný model — to byla podmínka, aby tam mohly být uloženy i archivy jiných badatelů, nejen vlastní.

Na ramenou výzkumu

Automatické čtení rukopisu (říká se mu HTR, z anglického handwritten text recognition) je výzkumný obor starý přes třicet let. Bez něj by wondarchive neexistoval.

První velké anotované databáze písma, například IAM na Univerzitě v Bernu, umožnily měřit pokroky. Koncem první dekády 21. století Alex Graves, Jürgen Schmidhuber a jejich kolegové ukázali, že neuronová síť dokáže přečíst celý rukopisný řádek, aniž by jej dělila na písmena: z této myšlenky vychází mnoho dnešních systémů.

Pro archivy daly evropské projekty tranScriptorium (2013–2015) a poté READ (2016–2019), vedené kolem Univerzity v Innsbrucku, vzniknout nástroji Transkribus, který od roku 2019 provozuje družstvo READ-COOP. Ve Francii vyvíjí École pratique des hautes études svobodný a otevřený eScriptorium a jeho systém Kraken. V Německu program OCR-D vybavuje knihovny, které digitalizují staré tisky. HTR-United soupisuje přepisy, které týmy sdílejí pro trénování modelů: bez tohoto sdílení by většina starých písem zůstala pro stroj nečitelná.

Tyto nástroje zůstávají měřítkem pro každého, kdo chce natrénovat vlastní model nebo připravit vědecké vydání. wondarchive jde jinou, skromnější cestou: rychle přečíst fotografie badatele, bez nastavování, aby ve svém fondu našel, co hledá.