211service.com
AI tackler Vatikanets hemmeligheder
Vatikanets hemmelige arkiv er sagn om sagn. Efter sigende fylder de omkring 85 kilometers hylder i Vatikanstaten, og de indeholder private breve og andre dokumenter fra tidligere paver, nogle af dem dateres tilbage til det ottende århundrede.
Arkiverne er nøje bevogtet. Siden 1881 har forskere dog haft begrænset adgang til nogle af dokumenterne, og selv dette har afsløret meget.
For eksempel er der en 60 meter lang rulle, der beskriver prøvelserne af tempelridderen, som startede i 1307 og varede flere år. Der er breve til forskellige paver fra Michelangelo; fra Henrik VIII, med anmodning om annullering af ægteskab; og fra Mary, Queen of Scots, der bad om forbøn før hendes halshugning.
Arkiverne indeholder også nyere korrespondance, såsom breve fra Abraham Lincoln og Jefferson Davis, der forsøger at overtale pave Pius IX til at favorisere henholdsvis Unionen og Konføderationen. Så er der optegnelserne om pave Pius XII og hans omgang med det nazistiske regime under Anden Verdenskrig, som aldrig er blevet offentliggjort. Faktisk er alle optegnelser fra 1939 og frem helt hemmelige.
Selvom offentliggørelse af optegnelserne er forbudt, har arkiverne deres egne fotografiske og konserveringsstudier. Og ligesom mange historiske arkiver rundt om i verden, er de begyndt at gemme billeder af visse dokumenter for at bevare dem og tillade yderligere undersøgelse.
Men Vatikanets optegnelser er så omfangsrige, at det er upraktisk at transskribere dem i hånden inden for et rimeligt tidsrum. Kan maskinsyn hjælpe?
I dag får vi svar takket være Donatella Firmanis arbejde ved Roma Tre Universitet i Italien og nogle få kolleger. Disse folk har påbegyndt et projekt kaldet I kodeforhold (Latin for The Code System), som har til formål automatisk at transskribere en del af Vatikanets hemmelige arkiv kaldet Vatikanregistrene.
Dette korpus består af mere end 18.000 sider med officiel korrespondance fra det 13. århundrede mellem den katolske kirke og konger, dronninger og politiske og religiøse institutioner i hele Europa. Disse dokumenter, der aldrig er blevet transskriberet tidligere, er af hidtil uset historisk relevans, siger Firmani og co.
Middelaldertekster udgør et unikt problem for maskinsyn. Konventionelle optiske tegngenkendelsesalgoritmer fungerer ikke godt, fordi manuskripterne er skrevet i forskellige stilarter med forskellige ligaturer (tegn, der kombinerer tilstødende bogstaver) og med idiosynkratiske forkortelser.
For at komme uden om det har forskere udviklet maskinsynssystemer, der genkender hele ord i stedet for bogstaver. Men det er langt fra tilfredsstillende, for de fleste ord optræder kun få gange selv i lange dokumenter. Så det er svært at oprette datasæt, som maskiner kan lære af.
Nu har Firmani og co fundet på en ny måde at træne et optisk tegngenkendelsessystem på, der deler hvert ord op i en række streger, som passer sammen som et puslespil. Vores mål er at udvikle et fuldgyldigt system, der transskriberer så meget som muligt fra manuskripterne, siger de.
Efter at have opdelt hvert ord i streger, forsøger systemet at passe dem sammen for at danne kendte bogstaver og analyserer derefter alle potentielle permutationer af bogstaver. Endelig udelukker det alle dem, der er ikke-grammatiske.
For eksempel kan et almindeligt mønster af streger fortolkes som iii eller som m, men førstnævnte kan udelukkes som grammatisk utilladeligt. De samme streger kan også repræsentere in eller ni, og for at vælge mellem dem, må systemet studere ordet og dets sammenhæng nærmere.
Firmani og co's første skridt var at skabe et datasæt til at træne et maskinsynssystem baseret på et neuralt netværk. Dette datasæt skal mærkes, så systemet kan lære, hvilke bogstaver der repræsenteres af forskellige kombinationer af streger.
Firmani og co brugte crowdsourcing til at færdiggøre denne annotering. De præsenterede puslespilssegmenteringen af ord som et mønstergenkendelsesproblem for 120 gymnasieelever, ligesom Captcha-puslespil. Eleverne mærkede sammen manuelt et træningsdatasæt på 15.000 tegn på et par timer.
Resultaterne er imponerende. Vi var i stand til at generere den nøjagtige transskription for 65 procent af ordbillederne i vores datasæt, siger Firmani og co.
Det er et vigtigt skridt fremad for middelalderlig teksttransskription og for historikere generelt. Der er dog mere arbejde forude. For eksempel fungerer transskriptionen med små bogstaver, så et vigtigt næste mål er at udvide ordforrådet til at omfatte store bogstaver og nogle af de mange forkortelser, der bruges i middelaldertekster.
Det er endnu ikke klart, hvordan Vatikanets hemmelige arkiv vil bruge denne teknologi. Det vides heller ikke, om Vatikanregistrene vil blive offentliggjort, når de transskriberes.
Men selvom de ikke er det, burde de værktøjer, som Firmani og co udvikler, give forskere mulighed for at gøre fremskridt. For eksempel tillader de en datadrevet undersøgelse af historiske dokumenter, der for eksempel kan se på ord- eller sætningsfrekvenser, og hvordan de ændrer sig over tid. Det kan give vigtig kulturel indsigt.
Det vil være fascinerende at se, om Vatikanet beslutter sig for at dele denne viden – eller skjule den.
Ref: arxiv.org/abs/1803.03200 : Mod vidensopdagelse fra Vatikanets hemmelige arkiv. In Codice Ratio – Episode 1: Maskintransskription af manuskripterne.