Badacz, dwadzieścia dwa tysiące stron, narzędzie zbudowane najpierw dla siebie

Dwadzieścia lat wyjazdów badawczych do pięciu archiwów, w Europie i w Ameryce: pudła korespondencji handlowej, czasopisma techniczne z lat dwudziestych, fotografowane z ręki, krzywo, tysiącami. Dwadzieścia dwa tysiące zdjęć, z których tylko część została opracowana — ręcznie, strona po stronie, po niemiecku.

Narzędzie zbudowano dla tego zespołu. Każda reguła wynika z lekcji opłaconej na tych stronach: orientacja, w której metadane aparatu mylą się raz na trzy razy; rękopis, który trzeba powierzyć wzmocnionemu ponownemu odczytowi, by ograniczyć zmyślone słowa; sygnatura, którą trzeba odczytać u dołu strony, bo nikt jej nie wpisuje; oryginał, którego nigdy nie wolno kompresować ponownie. To, co działa na dwudziestu dwóch tysiącach stron, powinno działać i na Twoich.

wondarchive to usługa online, która przepisuje, tłumaczy i indeksuje zdjęcia archiwaliów wykonane w czytelni, dla historyków, doktorantów, archiwistów i genealogów.

Jest hostowane we Francji, w OVHcloud, a przesłane tam dokumenty nigdy nie trenują żadnego modelu — to był warunek, by umieścić tam także archiwa innych badaczy, a nie tylko własne.

Na ramionach badań

Automatyczne odczytywanie pisma ręcznego (mówi się HTR, od handwritten text recognition) to dziedzina badań licząca ponad trzydzieści lat. Bez niej wondarchive by nie istniał.

Pierwsze duże, opatrzone adnotacjami bazy pisma, takie jak IAM na Uniwersytecie w Bernie, pozwoliły mierzyć postępy. Pod koniec lat 2000. Alex Graves, Jürgen Schmidhuber i ich współpracownicy wykazali, że sieć neuronowa potrafi odczytać całą linijkę pisma ręcznego bez dzielenia jej na litery: wiele dzisiejszych silników wywodzi się z tego pomysłu.

Dla archiwów europejskie projekty tranScriptorium (2013-2015), a potem READ (2016-2019), prowadzone wokół Uniwersytetu w Innsbrucku, dały początek Transkribus, rozwijanemu od 2019 roku przez spółdzielnię READ-COOP. We Francji École pratique des hautes études rozwija eScriptorium i jego silnik Kraken, wolne i otwarte. W Niemczech program OCR-D wyposaża biblioteki, które digitalizują stare druki. HTR-United gromadzi transkrypcje, którymi zespoły dzielą się, by trenować modele: bez tej wymiany większość dawnego pisma pozostałaby dla maszyny nieczytelna.

Narzędzia te pozostają punktem odniesienia dla każdego, kto chce wytrenować własny model albo przygotować edycję naukową. wondarchive idzie inną, skromniejszą drogą: szybko odczytać zdjęcia badacza, bez ustawień, by znalazł to, czego szuka w swoim zespole archiwalnym.