Um investigador, vinte e duas mil páginas, uma ferramenta construída primeiro para si próprio

Vinte anos de missões de investigação em cinco arquivos, na Europa e na América: caixas de correspondência comercial, periódicos técnicos dos anos 1920, fotografados à mão, tortos, aos milhares. Vinte e duas mil fotografias, das quais só uma parte tinha sido examinada — à mão, página a página, em alemão.

A ferramenta foi construída para esse fundo. Cada regra vem de uma lição paga nestas páginas: o sentido de leitura que os metadados da máquina fotográfica erram uma vez em cada três; o manuscrito que é preciso confiar a uma releitura reforçada para limitar as palavras inventadas; a cota que é preciso ir ler ao rodapé da página porque ninguém a introduz; o original que nunca deve ser recomprimido. O que funciona em vinte e duas mil páginas deve funcionar nas suas.

A wondarchive é um serviço em linha que transcreve, traduz e indexa as fotografias de arquivo tiradas em sala de leitura, para historiadores, doutorandos, arquivistas e genealogistas.

Está alojada em França, na OVHcloud, e os documentos aí depositados nunca treinam nenhum modelo — foi essa a condição para lá colocar também os arquivos de outros investigadores, e não apenas os de um só.

Sobre os ombros da investigação

A leitura automática da escrita manuscrita (fala-se de HTR, de handwritten text recognition) é um campo de investigação com mais de trinta anos. O wondarchive não existiria sem ele.

As primeiras grandes bases de escrita anotadas, como a IAM da Universidade de Berna, permitiram medir os progressos. No final dos anos 2000, Alex Graves, Jürgen Schmidhuber e os seus colegas mostram que uma rede neuronal consegue ler uma linha manuscrita inteira sem a decompor em letras: muitos motores atuais descendem desta ideia.

Para os arquivos, os projetos europeus tranScriptorium (2013-2015) e depois READ (2016-2019), conduzidos em torno da Universidade de Innsbruck, deram origem ao Transkribus, mantido desde 2019 pela cooperativa READ-COOP. Em França, a École pratique des hautes études desenvolve o eScriptorium e o seu motor Kraken, livres e abertos. Na Alemanha, o programa OCR-D equipa as bibliotecas que digitalizam impressos antigos. O HTR-United reúne as transcrições que as equipas partilham para treinar os modelos: sem essa partilha, a maior parte das escritas antigas continuaria ilegível para uma máquina.

Estas ferramentas continuam a ser a referência para quem quer treinar o seu próprio modelo ou preparar uma edição erudita. O wondarchive segue outro caminho, mais modesto: ler depressa as fotografias de um investigador, sem ajustes, para que encontre o que procura no seu fundo.