Történelmi és régészeti archívumokat tesz kereshetővé az olmOCR 2
Történészek és régészek helyi számítógépeken alkalmazzák az Ai2 olmOCR 2 nyílt modelljét archív fényképek és kézzel írt régészeti feljegyzések átírására. A modell helyi futtatása az érzékeny anyagok kezelése mellett az egyedi gyűjteményekhez való finomhangolást is lehetővé teszi.
- Az olmOCR 2 helyben futtatható, nyílt modell dokumentumképek szöveggé alakítására.
- Az ArtificeOCR történelmi fényképgyűjteményeket tesz kereshetővé a Tropy mellett.
- A CENTURIA projektben 57 rekordos finomhangolás után 15,58 százalékról 1,11 százalékra csökkent az átírási hiba.
- A kutatók a módszert nagyjából 70 000 carnuntumi kerámianyilvántartásra is kiterjesztenék.
Kereshetővé tett történelmi források
Az olmOCR 2 dokumentumképekből nyer ki kereshető, strukturált szöveget. A modell kézírással és összetett oldalszerkezetekkel is dolgozik, súlyai, finomhangolási adatai és kódja pedig elérhető a kutatók számára. Így helyben futtatható, és az egyes kutatási feladatokhoz is hozzáigazítható.
Maurice Casey, a huszadik század eleji európai radikális politikai mozgalmak történésze angol, orosz és német nyelvű forrásokat kutat. Az évek során több ezer, különböző okostelefonokkal és változó körülmények között készített fényképet gyűjtött levelekről, újságokról és más dokumentumokról. Ezeket harmadik fél szolgáltatásába nem akarta feltölteni.
Casey ezért létrehozta az ArtificeOCR eszközt, amely helyben futó képi és nyelvi modelleket, köztük az olmOCR 2-t, kapcsolja össze a Tropy nevű, nyílt forráskódú alkalmazással. A megoldással kereshetővé tette meglévő Tropy-könyvtárát, miközben megőrizte a 2019 óta rögzített metaadatokat. Elmondása szerint a modell különösen hasznos a változatos oldalkiosztásoknál, például a titkosrendőrségi archívumok szabványosított űrlapjainál, és a kutatási nyelvein szereplő kurzív angol kézírással, valamint gépelt szöveggel is jó eredményeket ad.
A szakértői ellenőrzés a folyamat része
Casey tapasztalatai szerint a nyelvi modell olykor folyamatos, hihető szöveget állít elő ott, ahol a hagyományos optikai karakterfelismerés (OCR) egyértelműen értelmezhetetlen eredményt adna. Ugyanakkor hibákat is tapasztalt olyan nyelvek kézírásának átírásakor, amelyek kevésbé képviseltek a modell tanítási adataiban.
Az ArtificeOCR-ben a kutatók egymás mellett vethetik össze a beolvasott képet és az átírást, kijavíthatják a hibákat, valamint megvizsgálhatják a későbbi feldolgozás során végrehajtott módosításokat. Casey szerint történészi munkájában kiemelten fontos a forráshűség, beleértve azt is, ha a múlt szereplői hibáztak, kódoltan fogalmaztak vagy eufemizmusokat használtak. Az eszköz fejlesztése még korai szakaszban van, készítője pedig olyan felületeket szeretne, amelyek egyszerűbbé teszik a helyi modellek használatát a történészek számára.
A kézírásos régészeti nyilvántartások finomhangolása
A Bécsi Műszaki Egyetem Computer Vision Lab laboratóriumának és az Osztrák Tudományos Akadémia Osztrák Régészeti Intézetének kutatói a Carnuntum, a mai Ausztria területén található római lelőhely kézzel írt kerámianyilvántartásait vizsgálták. Az archívum nagyjából 70 000 rekordot tartalmaz. A műszaki rajzok körül elhelyezett feljegyzések az edényformákat, a feltárási körülményeket és más, az összehasonlításhoz szükséges részleteket rögzítik. A rövidített német szakkifejezések, az eltérő kézírások és az évtizedek alatt változó rögzítési szokások megnehezítik az átírást.
A kutatók a CENTURIA nevű, 507 annotált rekordból álló mércét hozták létre az átírás és a strukturált információkinyerés értékelésére. Az öt vizsgált nyílt modell közül az olmOCR 2 adaptálás előtt is ennél produkálta a legalacsonyabb átírási hibát. A LoRA módszerrel, amely további paraméterek egy kisebb csoportját tanítja, 57 rekordon finomhangolták a modellt. A fennmaradó 450 tesztrekordon az átírási hiba 15,58 százalékról 1,11 százalékra csökkent.
A cél a teljes Carnuntum-archívum kereshetővé tétele
A CENTURIA kutatóinak következő célja, hogy a módszert az 507 rekordos mércén túl a carnuntumi archívum hozzávetőleg 70 000 kerámianyilvántartására is alkalmazzák. A teljes gyűjtemény strukturált és kereshető formában segíthet a régészeknek a kerámiaformák összevetésében a lelőhelyen belül és a különböző történelmi korszakok között.
Az Ai2 szerint az archívumok eltérő rögzítési szokásai és hozzáférési feltételei miatt fontos, hogy a kutatók maguk dönthessék el, hol futtatják a modellt, és saját dokumentumaikon is módosíthassák. Az ArtificeOCR és a CENTURIA azt mutatja meg, hogyan használható erre a nyílt modell úgy, hogy közben a szakértői ellenőrzés is a feldolgozás része marad. Casey szerint számára a helyi futtatás volt a legfontosabb, mert sok olyan anyag van, amelyet nem érezne biztonságosnak harmadik félnek elküldeni.
