Sursa originală
Pe scurt
Smithsonian Institution și Library of Congress folosesc inteligența artificială în proiectul Revolution: Crossroads, pentru a extrage text și nume din materialul perioadei 1770-1810. Lucrează pe colecții din cinci muzee, pe peste 13 milioane de pagini de ziar și pe peste 82.000 de dosare de pensii, însumând mai mult de 2 milioane de pagini.
- 01Smithsonian Institution și Library of Congress folosesc inteligența artificială pe materialul din epoca Revoluției americane.
- 02Proiectul se numește Revolution: Crossroads și acoperă anii 1770-1810.
- 03Lucrează pe colecții din cinci muzee Smithsonian, pe peste 13 milioane de pagini de ziar și pe peste 82.000 de dosare de pensii.
- 04Dosarele de pensii însumează mai mult de 2 milioane de pagini, păstrate la Arhivele Naționale americane.
- 05Inițiativa este condusă de Sara Snyder, directoare de programe digitale.
Smithsonian Institution și Library of Congress lucrează împreună la un proiect care folosește inteligența artificială pe materialul din epoca Revoluției americane. Scopul nu este să scrie texte, ci să citească: să extragă text din pagini scanate, să recunoască numele de persoane și să lege între ele documente ajunse, de-a lungul timpului, în instituții diferite. Proiectul se numește Revolution: Crossroads și acoperă perioada 1770-1810.
Ce intră în proiect
Materialul vine din trei direcții, iar cifrele spun de ce o asemenea muncă nu se poate face doar cu oameni.
- colecții din cinci muzee Smithsonian, printre care National Museum of American History și National Portrait Gallery
- Chronicling America, baza de ziare a Library of Congress, cu peste 13 milioane de pagini din anii 1690-1963, din care se lucrează pe subsetul 1770-1810
- dosarele de pensii ale veteranilor Războiului de Independență, peste 82.000 de dosare și mai mult de 2 milioane de pagini, păstrate la Arhivele Naționale americane
Inițiativa este condusă de Sara Snyder, directoare de programe digitale, cu o echipă mixtă de tehnologi, specialiști în date, arhiviști, bibliotecari, curatori și oameni din educație. Contextul este aniversarea de 250 de ani de la declararea independenței Statelor Unite.
Ce face concret programul
Două operații fac greul. Prima este extragerea textului din imagine, adică transformarea unei pagini scanate sau a unui document scris de mână în șir de caractere căutabile. A doua este recunoașterea entităților numite, adică identificarea în text a numelor de persoane, de locuri și de unități militare.
De aici încolo, câștigul e de altă natură. Un nume care apare într-un dosar de pensie, într-un ziar din 1779 și pe eticheta unui obiect de muzeu poate fi, până acum, același om fără ca nimeni să o știe, fiindcă cele trei documente stau în trei instituții. Legătura între ele este ce caută proiectul.
Dosarele de pensii sunt, din acest punct de vedere, cea mai bogată sursă. După cum le descrie arhivista Jean Nudd, un dosar tipic are în jur de 30 de pagini, dar unele trec de 200, și cuprinde mult mai mult decât o cerere: brevete și ordine de lăsare la vatră, acte de proprietate, testamente, jurnale, registre de socoteli, tăieturi din ziare, scrisori, certificate de căsătorie și pagini din Biblia familiei.
De ce există aceste dosare
Arhiva s-a format din legislație. Prima lege de pensii pentru militarii americani este din 26 august 1776, urmată de gratificații în 15 mai 1778 și de pensii pentru văduve și orfani în 24 august 1780. Au venit apoi legile din 1818, 1820, 1822 și 1832, ultima fiind cea mai generoasă.
Fiecare lege nouă a obligat oameni îmbătrâniți să dovedească cu acte, sau cu martori, ce făcuseră cu patruzeci sau cincizeci de ani înainte. De aici vine valoarea dosarelor: sunt pline de mărturii date sub jurământ despre un război încheiat de mult. La Arhivele Naționale americane, dosarele sunt așezate alfabetic, după numele veteranului, și au fost reproduse în publicația de microfilm M804.
Ce spun sursele
Descrierea proiectului, lista instituțiilor participante și cifrele colecțiilor provin de pe paginile oficiale ale Smithsonian Institution dedicate programului Revolution: Crossroads. Informațiile despre dosarele de pensii provin dintr-un articol publicat de Arhivele Naționale americane în revista lor Prologue, semnat de arhivista Jean Nudd.
Smithsonian anunță și un angajament de transparență: documentarea deschisă a instrumentelor de inteligență artificială folosite și a materialelor-sursă pe care au lucrat. Pentru un proiect de acest tip, asta nu e un detaliu de imagine: fără ea, un cititor nu poate deosebi un rezultat verificat de o presupunere a programului.
Ce nu se știe încă
Nu s-au publicat rate de eroare. Recunoașterea scrisului de mână de secol XVIII, cu ortografie neuniformă, abrevieri și cerneală ștearsă, rămâne o problemă grea, iar fără cifre nu se poate aprecia cât din text a fost citit corect.
Nu se știe nici cât din legăturile propuse de program trece prin verificare umană înainte de a ajunge în catalog. Riscul specific al acestei munci nu este eroarea evidentă, ci cea plauzibilă: doi oameni cu același nume și aceeași perioadă, uniți greșit într-o singură biografie, produc o sursă nouă, aparent solidă, pe care alții o vor cita.
Pentru istorici, întrebarea practică rămâne dacă rezultatele vor fi publicate ca date deschise, cu marcarea gradului de încredere pentru fiecare legătură. Altfel, un instrument de căutare foarte bun poate deveni, cu timpul, o sursă de erori foarte greu de scos din circulație.
Surse
- Smithsonian Institution, Revolution: Crossroads, pagina oficială a programului, https://www.si.edu/revolution-crossroads
- Smithsonian Institution, From the Printing Press to AI, and Back Again, https://www.si.edu/revolution-crossroads/printing-press-ai-back-again
- Jean Nudd, Using Revolutionary War Pension Files to Find Family Information, Prologue, National Archives, vara 2015, https://www.archives.gov/publications/prologue/2015/summer/rev-war-pensions.html
✓ Ce știm sigur
- Proiectul este o colaborare între Smithsonian Institution și Library of Congress.
- Perioada acoperită este 1770-1810.
- Baza de ziare Chronicling America numără peste 13 milioane de pagini din anii 1690-1963.
- Dosarele de pensii depășesc 82.000 de dosare și 2 milioane de pagini.
- Instrumentele folosite sunt extragerea textului din imagine și recunoașterea entităților numite.
? Ce rămâne neclar
- Ratele de eroare ale recunoașterii scrisului de mână de secol XVIII, care nu au fost publicate.
- Cât din legăturile propuse automat trece prin verificare umană înainte de catalogare.
- Dacă rezultatele vor fi publicate ca date deschise, cu grad de încredere marcat.
- Când și sub ce formă va fi accesibil publicului rezultatul.
Contextul românesc
La noi, problema este aceeași, dar cu un grad de dificultate în plus. O bună parte din documentele românești de până la mijlocul secolului al XIX-lea sunt scrise de mână, cu litere chirilice, iar programele de recunoaștere antrenate pe texte latine nu le citesc. De aceea editarea documentelor vechi s-a făcut, decenii la rând, cu mâna: seria Documenta Romaniae Historica, publicată de Academia Română, transcrie și traduce document cu document. Arhivele Naționale ale României și portalul biblioteca-digitala.ro au pus online cantități mari de material scanat, dar o scanare nu este același lucru cu posibilitatea de a căuta un nume în text. Exact aici e pariul proiectului american, iar întrebarea care ne privește direct este cât ar costa antrenarea unui asemenea instrument pentru chirilica românească.
Întrebări frecvente
Ce este proiectul Revolution: Crossroads?
O colaborare între Smithsonian Institution și Library of Congress care folosește inteligența artificială pentru a citi și a lega documente din epoca Revoluției americane, anii 1770-1810, în contextul aniversarii de 250 de ani de la declararea independenței.
Ce face efectiv inteligența artificială în acest proiect?
Două lucruri: extrage text din pagini scanate și din documente scrise de mână, apoi recunoaște în text numele de persoane, de locuri și de unități. Pe baza numelor, programul propune legături între documente păstrate în instituții diferite.
Ce sunt dosarele de pensii ale veteranilor Revoluției americane?
Peste 82.000 de dosare, cu mai mult de 2 milioane de pagini, formate în urma legilor de pensii începând din 26 august 1776. Un dosar tipic are circa 30 de pagini și cuprinde mărturii, testamente, registre, scrisori și pagini din Biblia familiei.
Ce obiecte celebre sunt în colecțiile folosite?
Smithsonian menționează presa de tipar folosită de Benjamin Franklin și biroul portabil al lui Thomas Jefferson, pe care a redactat Declarația de Independență. Materialul provine din cinci muzee, printre care National Museum of American History și National Portrait Gallery.
Acest articol este o adaptare în limba română, cu context suplimentar. Informațiile științifice aparțin autorilor sursei originale. Cum lucrăm la Radar
Povestea întreagă a lui Dracula, pe izvoare
Cartea urmărește drumul de la Vlad Țepeș, domnul din documente, la contele din roman, cu izvoarele puse cap la cap. O primești întreagă, în PDF, dacă te abonezi la scrisoarea de sâmbătă, sau o cumperi de pe Amazon.
Linkul către Amazon este link de afiliat: dacă cumperi prin el, Historix primește un comision mic, fără niciun cost în plus pentru tine.
Ți-a plăcut? Primește ce e mai bun, o dată pe săptămână
Sâmbătă dimineața trimitem ce s-a publicat pe Historix, cu un rând despre ce merită citit. Fără reclame și fără senzaționalism.
Laurențiu Dicu
Fondator, editor, pasionat de istorie
Vezi pagina autorului →
