Nel 2016 mi sono unito al progetto READ per l'archivio di stato di Zurigo. All'interno del grande progetto, sono diventato parte del gruppo di lavoro di diffusione e responsabile dell'allineamento di più di 100'000 pagine di verbali scritti a mano dagli esecutivi di Zurigo del 19° secolo. Grazie a READ, non solo ho potuto viaggiare in Europa e negli Stati Uniti per più di 50 workshop e conferenze relative a Transkribus. Inoltre, sono entrato in contatto con numerosi studiosi, archivisti, bibliotecari e scienziati che cercano di ottenere il massimo dall' HTR, KWS, analisi del layout (migliorato semanticamente), e molto altro. Ho avuto il privilegio di vedere il patrimonio culturale scritto nella sua incredibile varietà e di discutere della sua specificità con esperti.
Una delle conseguenze di usare, pensare e parlare quotidianamente di machine learning è stata quella di scoprire questo approccio e i suoi vantaggi e problemi in profondità e modellare la mia ricerca di conseguenza. Il risultato del mio uso di Transkribus non sono stati quindi solo i centinaia di modelli HTR+ e PyLAIA e la preparazione di migliaia di pagine di Ground Truth (vedi, per esempio, il modello pubblico StAZH_RRB_German_Kurrent_XIX basato su 26 milioni di parole). È piuttosto l'intuizione, che è nostro dovere come studiosi usare, e l' analizzare criticamente il deep learning, non solo per rendere accessibile il patrimonio culturale ma per aiutare a capire la tecnologia e le sue insidie per il nostro futuro beneficio.
Per quanto riguarda Transkribus, ho capito che la piattaforma è pronta per l'uso se vengono elaborate diverse centinaia di immagini e per farlo è essenziale un ambiente stabile. Per un progetto di edizione accademica (koenigsfelden.uzh.ch), abbiamo usato Transkribus come hub per le trascrizioni, ottenendo come sottoprodotto alcuni modelli HTR. Alla fine del mio mandato all'archivio statale di Zurigo, abbiamo iniziato una varietà di progetti basati su HTR+ e p2pala per preparare grandi quantità di testo premoderno e usare annotazioni semantiche per accelerare l'indicizzazione archivistica. Per l'intero campo GLAM, credo che questa sia la strada da seguire.
Nel 2019 - in gran parte grazie al successo di READ - mi è stata offerta una posizione di ruolo all'Università di Berna con il compito di fornire alla facoltà approcci alle digital humanities. Da allora, uso Transkribus nell'insegnamento e attualmente penso ai prossimi passi per l'annotazione del testo, incluso il Named Entity Recognition (esp. per le lingue storiche) e l'estrazione del contenuto (ad esempio, usando il Topic Modeling).
Vuoi saperne di più? Ho pubblicato documenti in tedesco e in inglese su Transkribus, HTR, e sulle conseguenze dell'uso del machine learning nelle scienze umane (oltre a qualche cosa sul Medioevo 😉
Vedi la mia pagina all'Università di Berna quie il mio Profilo ORCiD, o seguimi su Twitter.
