Ένας ερευνητής, είκοσι δύο χιλιάδες σελίδες, ένα εργαλείο φτιαγμένο πρώτα για τον ίδιο

Είκοσι χρόνια ερευνητικών ταξιδιών σε πέντε αρχεία, στην Ευρώπη και στην Αμερική: κουτιά με εμπορική αλληλογραφία, τεχνικά περιοδικά της δεκαετίας του 1920, φωτογραφημένα στο χέρι, στραβά, σε χιλιάδες. Είκοσι δύο χιλιάδες λήψεις, από τις οποίες είχε επεξεργαστεί μόνο ένα μέρος — στο χέρι, σελίδα σελίδα, στα γερμανικά.

Το εργαλείο φτιάχτηκε για αυτό το αρχειακό σύνολο. Κάθε κανόνας προέρχεται από ένα μάθημα που πληρώθηκε πάνω σε αυτές τις σελίδες: η φορά ανάγνωσης που τα μεταδεδομένα της φωτογραφικής μηχανής κάνουν λάθος μία φορά στις τρεις· το χειρόγραφο που πρέπει να περάσει από ενισχυμένη επανανάγνωση ώστε να περιοριστούν οι επινοημένες λέξεις· ο ταξιθετικός αριθμός που πρέπει να πας να τον διαβάσεις στο κάτω μέρος της σελίδας επειδή κανείς δεν τον καταχωρίζει· το πρωτότυπο που δεν πρέπει ποτέ να συμπιεστεί ξανά. Ό,τι δουλεύει σε είκοσι δύο χιλιάδες σελίδες θα πρέπει να δουλεύει και στις δικές σας.

Το wondarchive είναι μια διαδικτυακή υπηρεσία που μεταγράφει, μεταφράζει και ευρετηριάζει τις φωτογραφίες αρχείων που τραβήχτηκαν σε αναγνωστήριο, για ιστορικούς, υποψήφιους διδάκτορες, αρχειονόμους και γενεαλόγους.

Φιλοξενείται στη Γαλλία, στην OVHcloud, και τα έγγραφα που κατατίθενται εκεί δεν εκπαιδεύουν ποτέ κανένα μοντέλο — ήταν η προϋπόθεση για να φιλοξενούνται εκεί και τα αρχεία άλλων ερευνητών, όχι μόνο τα δικά του.

Στους ώμους της έρευνας

Η αυτόματη ανάγνωση του χειρόγραφου λόγου (λέγεται HTR, από το handwritten text recognition) είναι ένα ερευνητικό πεδίο άνω των τριάντα ετών. Το wondarchive δεν θα υπήρχε χωρίς αυτό.

Οι πρώτες μεγάλες σχολιασμένες βάσεις γραφής, όπως η IAM του Πανεπιστημίου της Βέρνης, επέτρεψαν να μετρηθεί η πρόοδος. Στο τέλος της δεκαετίας του 2000, ο Alex Graves, ο Jürgen Schmidhuber και οι συνάδελφοί τους έδειξαν ότι ένα νευρωνικό δίκτυο μπορεί να διαβάσει ολόκληρη χειρόγραφη γραμμή χωρίς να την τεμαχίσει σε γράμματα: πολλές σημερινές μηχανές προέρχονται από αυτή την ιδέα.

Για τα αρχεία, τα ευρωπαϊκά προγράμματα tranScriptorium (2013-2015) και έπειτα READ (2016-2019), που διευθύνθηκαν γύρω από το Πανεπιστήμιο του Ίνσμπρουκ, γέννησαν το Transkribus, το οποίο από το 2019 στηρίζεται από τον συνεταιρισμό READ-COOP. Στη Γαλλία, η École pratique des hautes études αναπτύσσει το eScriptorium και τη μηχανή του Kraken, ελεύθερα και ανοιχτά. Στη Γερμανία, το πρόγραμμα OCR-D εξοπλίζει τις βιβλιοθήκες που ψηφιοποιούν παλαιά έντυπα. Το HTR-United καταγράφει τις μεταγραφές που μοιράζονται οι ομάδες για να εκπαιδεύουν τα μοντέλα: χωρίς αυτή τη διανομή, οι περισσότερες παλιές γραφές θα έμεναν δυσανάγνωστες για μια μηχανή.

Τα εργαλεία αυτά παραμένουν το σημείο αναφοράς για όποιον θέλει να εκπαιδεύσει δικό του μοντέλο ή να ετοιμάσει μια επιστημονική έκδοση. Το wondarchive ακολουθεί άλλον, πιο μετριοπαθή δρόμο: να διαβάζει γρήγορα τις φωτογραφίες ενός ερευνητή, χωρίς ρυθμίσεις, ώστε να βρίσκει ό,τι ψάχνει στο αρχείο του.