Egy kutató, huszonkétezer oldal, egy eszköz, amelyet először önmagának épített

Húsz évnyi kutatóút öt levéltárba, Európában és Amerikában: dobozszám üzleti levelezés, az 1920-as évek szakfolyóiratai, kézből, ferdén, ezerszám lefényképezve. Huszonkétezer felvétel, amelyeknek csak egy részét dolgozták fel — kézzel, oldalról oldalra, németül.

Az eszközt erre a fondra építették. Minden szabály egy ezeken az oldalakon megfizetett leckéből származik: az olvasási irány, amelyet a fényképezőgép metaadatai háromból egyszer rosszul adnak meg; a kézirat, amelyet megerősített újraolvasásra kell bízni, hogy kevesebb szó legyen kitalálva; a jelzet, amelyet az oldal aljáról kell leolvasni, mert senki sem írja be; az eredeti, amelyet soha nem szabad újratömöríteni. Ami huszonkétezer oldalon működik, annak az Ön oldalain is működnie kell.

A wondarchive online szolgáltatás, amely átírja, lefordítja és indexeli az olvasóteremben készült levéltári fényképeket, történészeknek, doktoranduszoknak, levéltárosoknak és genealógusoknak.

Franciaországban, az OVHcloudnál van tárolva, és a feltöltött dokumentumok soha nem tanítanak be semmilyen modellt — ez volt a feltétele annak, hogy más kutatók levéltári anyagát is oda tegyék, ne csak a sajátját.

A kutatás vállán

A kézírás automatikus olvasása (HTR-nek mondják, az angol handwritten text recognition rövidítéseként) több mint harminc éves kutatási terület. Nélküle a wondarchive nem létezne.

Az első nagy, annotált írásadatbázisok, például a Berni Egyetem IAM-je, lehetővé tették az előrehaladás mérését. A 2000-es évek végén Alex Graves, Jürgen Schmidhuber és munkatársaik megmutatták, hogy egy neurális hálózat egy egész kézzel írt sort képes elolvasni anélkül, hogy betűkre vágná: a mai motorok közül sok erre az ötletre vezethető vissza.

Az levéltárak számára a tranScriptorium (2013–2015), majd a READ (2016–2019) európai projekt, amelyet az innsbrucki egyetem körül vezettek, hívta életre a Transkribust, amelyet 2019 óta a READ-COOP szövetkezet visz tovább. Franciaországban az École pratique des hautes études fejleszti az eScriptoriumot és a Kraken nevű motorját, szabadon és nyíltan. Németországban az OCR-D program látja el eszközökkel a régi nyomtatványokat digitalizáló könyvtárakat. A HTR-United azokat az átiratokat gyűjti össze, amelyeket a csapatok megosztanak a modellek betanításához: e megosztás nélkül a régi írások többsége olvashatatlan maradna a gép számára.

Ezek az eszközök maradnak a mérvadók annak, aki saját modellt akar betanítani vagy tudományos kiadást szeretne előkészíteni. A wondarchive más, szerényebb utat követ: gyorsan, beállítások nélkül olvassa el egy kutató fotóit, hogy megtalálja, amit az állagában keres.