Un investigador, veintidós mil páginas, una herramienta construida primero para uno mismo

Veinte años de viajes de investigación a cinco archivos, en Europa y en América: cajas de correspondencia comercial, publicaciones técnicas periódicas de los años veinte, fotografiadas a mano, torcidas, por millares. Veintidós mil fotos, de las cuales solo una parte se había revisado, a mano, página tras página, en alemán.

La herramienta se construyó para ese fondo. Cada regla procede de una lección pagada sobre estas páginas: el sentido de lectura que los metadatos de la cámara aciertan solo dos veces de cada tres; el manuscrito que hay que confiar a una relectura reforzada para limitar las palabras inventadas; la signatura que hay que ir a leer al pie de la página porque nadie la introduce; el original que nunca debe recomprimirse. Lo que funciona con veintidós mil páginas debería funcionar con las suyas.

wondarchive es un servicio en línea que transcribe, traduce e indexa las fotos de archivo tomadas en sala de lectura, para historiadores, doctorandos, archiveros y genealogistas.

Está alojada en Francia, en OVHcloud, y los documentos que se suben a ella no entrenan nunca ningún modelo: esa era la condición para alojar allí también los archivos de otros investigadores, y no solo los propios.

A hombros de la investigación

La lectura automática de la escritura manuscrita (se habla de HTR, por handwritten text recognition) es un campo de investigación con más de treinta años. wondarchive no existiría sin él.

Las primeras grandes bases de escritura anotadas, como la IAM de la Universidad de Berna, permitieron medir los avances. A finales de la década de 2000, Alex Graves, Jürgen Schmidhuber y sus colegas demostraron que una red neuronal puede leer una línea manuscrita entera sin dividirla en letras: muchos motores actuales descienden de esta idea.

Para los archivos, los proyectos europeos tranScriptorium (2013-2015) y después READ (2016-2019), dirigidos en torno a la Universidad de Innsbruck, dieron origen a Transkribus, impulsado desde 2019 por la cooperativa READ-COOP. En Francia, la École pratique des hautes études desarrolla eScriptorium y su motor Kraken, libres y abiertos. En Alemania, el programa OCR-D equipa a las bibliotecas que digitalizan impresos antiguos. HTR-United reúne las transcripciones que los equipos comparten para entrenar los modelos: sin ese reparto, la mayoría de las escrituras antiguas seguirían siendo ilegibles para una máquina.

Estas herramientas siguen siendo la referencia para quien quiera entrenar su propio modelo o preparar una edición erudita. wondarchive sigue otro camino, más modesto: leer rápidamente las fotos de un investigador, sin ajustes, para que encuentre lo que busca en su fondo.