Un ricercatore, ventiduemila pagine, uno strumento costruito prima di tutto per sé

Vent’anni di missioni di ricerca in cinque archivi, in Europa e in America: scatole di corrispondenza commerciale, periodici tecnici degli anni Venti, fotografati a mano libera, di traverso, a migliaia. Ventiduemila scatti, di cui solo una parte era stata spogliata — a mano, pagina dopo pagina, in tedesco.

Lo strumento è stato costruito per quel fondo. Ogni regola nasce da una lezione pagata su queste pagine: il verso di lettura che i metadati della fotocamera sbagliano una volta su tre; il manoscritto da affidare a una rilettura rafforzata per limitare le parole inventate; la segnatura che bisogna andare a leggere a piè di pagina perché nessuno la inserisce; l’originale che non va mai ricompresso. Ciò che funziona su ventiduemila pagine dovrebbe funzionare sulle sue.

wondarchive è un servizio online che trascrive, traduce e indicizza le foto d’archivio scattate in sala di lettura, per storici, dottorandi, archivisti e genealogisti.

È ospitato in Francia, presso OVHcloud, e i documenti che vi vengono caricati non addestrano mai alcun modello — era la condizione per ospitarvi anche gli archivi di altri ricercatori, non solo i propri.

Sulle spalle della ricerca

La lettura automatica della scrittura manoscritta (si parla di HTR, da handwritten text recognition) è un campo di ricerca che ha più di trent’anni. wondarchive non esisterebbe senza di esso.

Le prime grandi basi di scrittura annotate, come la IAM dell’Università di Berna, hanno permesso di misurare i progressi. Alla fine degli anni Duemila, Alex Graves, Jürgen Schmidhuber e i loro colleghi dimostrano che una rete neurale può leggere un’intera riga manoscritta senza scomporla in lettere: molti motori attuali discendono da questa idea.

Per gli archivi, i progetti europei tranScriptorium (2013-2015) e poi READ (2016-2019), condotti attorno all’Università di Innsbruck, hanno dato vita a Transkribus, portato avanti dal 2019 dalla cooperativa READ-COOP. In Francia, l’École pratique des hautes études sviluppa eScriptorium e il suo motore Kraken, liberi e aperti. In Germania, il programma OCR-D attrezza le biblioteche che digitalizzano le stampe antiche. HTR-United censisce le trascrizioni che i gruppi condividono per addestrare i modelli: senza questa condivisione, la maggior parte delle scritture antiche resterebbe illeggibile per una macchina.

Questi strumenti restano il riferimento per chi vuole addestrare il proprio modello o preparare un’edizione scientifica. wondarchive segue un’altra strada, più modesta: leggere rapidamente le foto di un ricercatore, senza regolazioni, perché ritrovi ciò che cerca nel suo fondo.