Een onderzoeker, tweeëntwintigduizend pagina’s, een hulpmiddel dat eerst voor zichzelf is gebouwd

Twintig jaar onderzoeksreizen naar vijf archieven, in Europa en Amerika: dozen vol zakelijke correspondentie, technische tijdschriften uit de jaren twintig, uit de hand gefotografeerd, scheef, bij duizenden. Tweeëntwintigduizend opnamen, waarvan slechts een deel was doorgenomen — met de hand, pagina na pagina, in het Duits.

Het hulpmiddel is voor die collectie gebouwd. Elke regel komt voort uit een les die op deze pagina’s duur is betaald: de leesrichting die de metagegevens van de camera één keer op de drie verkeerd hebben; het handschrift dat u aan een extra krachtige herlezing moet toevertrouwen, om verzonnen woorden te beperken; de signatuur die u onderaan de pagina moet gaan lezen omdat niemand haar invoert; het origineel dat nooit opnieuw gecomprimeerd mag worden. Wat werkt op tweeëntwintigduizend pagina’s, zou ook op de uwe moeten werken.

wondarchive is een onlinedienst die archieffoto’s uit de leeszaal transcribeert, vertaalt en indexeert, voor historici, promovendi, archivarissen en genealogen.

Het wordt gehost in Frankrijk, bij OVHcloud, en de documenten die daar worden aangeleverd, trainen nooit een model — dat was de voorwaarde om er ook de archieven van andere onderzoekers onder te brengen, niet alleen de eigen.

Op de schouders van het onderzoek

Het automatisch lezen van handschrift (men spreekt van HTR, voor handwritten text recognition) is een onderzoeksveld dat meer dan dertig jaar oud is. Zonder dat veld zou wondarchive niet bestaan.

De eerste grote geannoteerde handschriftdatabanken, zoals de IAM van de Universiteit van Bern, maakten het mogelijk de vooruitgang te meten. Eind jaren 2000 tonen Alex Graves, Jürgen Schmidhuber en hun collega’s aan dat een neuraal netwerk een hele handgeschreven regel kan lezen zonder die in letters te knippen: veel huidige engines stammen van dat idee af.

Voor archieven brachten de Europese projecten tranScriptorium (2013-2015) en daarna READ (2016-2019), geleid rond de Universiteit van Innsbruck, Transkribus voort, sinds 2019 gedragen door de coöperatie READ-COOP. In Frankrijk ontwikkelt de École pratique des hautes études eScriptorium en de engine Kraken, vrij en open. In Duitsland rust het programma OCR-D de bibliotheken uit die oude drukwerken digitaliseren. HTR-United inventariseert de transcripties die teams delen om modellen te trainen: zonder dat delen zouden de meeste oude handschriften voor een machine onleesbaar blijven.

Deze hulpmiddelen blijven de referentie voor wie een eigen model wil trainen of een wetenschappelijke uitgave wil voorbereiden. wondarchive kiest een andere, bescheidener weg: de foto’s van een onderzoeker snel lezen, zonder instellingen, zodat hij vindt wat hij zoekt in zijn collectie.