En forskare, tjugotvåtusen sidor, ett verktyg byggt först för eget bruk

Tjugo år av forskningsresor till fem arkiv, i Europa och Amerika: kartonger med affärskorrespondens, tekniska tidskrifter från 1920-talet, fotograferade frihand, på sned, i tusental. Tjugotvåtusen bilder, av vilka bara en del hade gåtts igenom — för hand, sida efter sida, på tyska.

Verktyget byggdes för det materialet. Varje regel kommer av en lärdom som betalats på de här sidorna: läsriktningen som kamerans metadata får fel en gång av tre; handskriften som måste gå genom en extra grundlig omläsning för att begränsa påhittade ord; signumet som man måste gå och läsa längst ned på sidan eftersom ingen skriver in det; originalet som aldrig får omkomprimeras. Det som fungerar på tjugotvåtusen sidor bör fungera på dina.

wondarchive är en onlinetjänst som transkriberar, översätter och indexerar arkivfoton tagna i läsesalen, för historiker, doktorander, arkivarier och släktforskare.

Det drivs i Frankrike, hos OVHcloud, och dokumenten som lämnas in där tränar aldrig någon modell — det var villkoret för att även lägga andra forskares arkiv där, inte bara sitt eget.

På forskningens axlar

Automatisk läsning av handskrift (man säger HTR, för handwritten text recognition) är ett forskningsfält som är över trettio år gammalt. Utan det skulle wondarchive inte finnas.

De första stora annoterade handskriftsdatabaserna, som IAM vid Berns universitet, gjorde det möjligt att mäta framstegen. I slutet av 2000-talet visade Alex Graves, Jürgen Schmidhuber och deras kollegor att ett neuralt nätverk kan läsa en hel handskriven rad utan att dela upp den i bokstäver: många av dagens motorer härstammar från den idén.

För arkiven gav de europeiska projekten tranScriptorium (2013-2015) och därefter READ (2016-2019), som leddes kring Innsbrucks universitet, upphov till Transkribus, som sedan 2019 drivs av kooperativet READ-COOP. I Frankrike utvecklar École pratique des hautes études eScriptorium och dess motor Kraken, fria och öppna. I Tyskland utrustar programmet OCR-D de bibliotek som digitaliserar gamla tryck. HTR-United förtecknar de transkriptioner som teamen delar för att träna modellerna: utan det utbytet skulle de flesta gamla handskrifter förbli oläsliga för en maskin.

Dessa verktyg är fortfarande referensen för den som vill träna sin egen modell eller förbereda en vetenskaplig utgåva. wondarchive går en annan, blygsammare väg: att snabbt läsa en forskares foton, utan inställningar, så att hen hittar det hen söker i sitt arkivbestånd.