211service.com
AI takler Vatikanets hemmeligheter
Vatikanets hemmelige arkiv er legenden. De fyller etter sigende rundt 85 kilometer med hyller i Vatikanstaten, og inneholder private brev og andre dokumenter fra tidligere paver, noen av dem dateres tilbake til det åttende århundre.
Arkivene er tett bevoktet. Siden 1881 har imidlertid forskere hatt begrenset tilgang til noen av dokumentene, og selv dette har avslørt mye.
For eksempel er det en 60-meters rulle som beskriver rettssakene til tempelridderne, som startet i 1307 og varte i flere år. Det er brev til ulike paver fra Michelangelo; fra Henry VIII, som ber om annullering av ekteskapet; og fra Mary, Queen of Scots, som ba om forbønn før halshuggingen hennes.
Arkivene inneholder også nyere korrespondanse, for eksempel brev fra Abraham Lincoln og Jefferson Davis som forsøkte å overtale pave Pius IX til å favorisere henholdsvis unionen og konføderasjonen. Så er det opptegnelsene knyttet til pave Pius XII og hans omgang med naziregimet under andre verdenskrig, som aldri har blitt publisert. Faktisk er alle poster fra 1939 og fremover helt hemmelige.
Selv om publisering av postene er forbudt, har arkivene sine egne fotografiske og konserveringsstudioer. Og som mange historiske arkiver rundt om i verden, har de begynt å lagre bilder av visse dokumenter for å bevare dem og tillate videre studier.
Men Vatikanets opptegnelser er så omfangsrike at det er upraktisk å transkribere dem for hånd i enhver rimelig tidsperiode. Kan maskinsyn hjelpe?
I dag får vi svar takket være arbeidet til Donatella Firmani ved Roma Tre University i Italia og noen få kolleger. Disse menneskene har startet et prosjekt kalt I kodeforhold (Latin for The Code System), som tar sikte på å automatisk transkribere en del av Vatikanets hemmelige arkiv kalt Vatikanregistrene.
Dette korpuset består av mer enn 18 000 sider med offisiell korrespondanse fra 1200-tallet mellom den katolske kirke og konger, dronninger og politiske og religiøse institusjoner over hele Europa. Disse dokumentene, som aldri har blitt transkribert tidligere, er av enestående historisk relevans, sier Firmani og co.
Middelaldertekster utgjør et unikt problem for maskinsyn. Konvensjonelle optiske tegngjenkjenningsalgoritmer fungerer ikke bra, fordi manuskriptene er skrevet i forskjellige stiler med forskjellige ligaturer (tegn som kombinerer tilstøtende bokstaver) og med særegne forkortelser.
For å komme rundt det har forskere utviklet maskinsynssystemer som gjenkjenner hele ord i stedet for bokstaver. Men dette er langt fra tilfredsstillende, for de fleste ordene vises bare noen få ganger selv i lange dokumenter. Så det er vanskelig å lage datasett for maskiner å lære av.
Nå har Firmani og co kommet opp med en ny måte å trene opp et optisk tegngjenkjenningssystem som deler hvert ord inn i en serie streker, som passer sammen som et puslespill. Målet vårt er å utvikle et fullverdig system som transkriberer mest mulig fra manuskriptene, sier de.
Etter å ha delt hvert ord inn i streker, prøver systemet å passe dem sammen for å danne kjente bokstaver og analyserer deretter alle potensielle permutasjoner av bokstaver. Til slutt utelukker den alle de som er ikke-grammatiske.
For eksempel kan et vanlig mønster av slag tolkes som iii eller som m, men førstnevnte kan utelukkes som grammatisk utillatelig. De samme strekene kan også representere in eller ni, og for å avgjøre mellom dem, må systemet studere ordet og dets kontekst nærmere.
Firmani og cos første skritt var å lage et datasett for å trene et maskinsynssystem basert på et nevralt nettverk. Dette datasettet må merkes slik at systemet kan lære hvilke bokstaver som er representert ved forskjellige kombinasjoner av streker.
Firmani og co brukte crowdsourcing for å fullføre denne kommentaren. De presenterte puslespillsegmenteringen av ord som et mønstergjenkjenningsproblem for 120 elever på videregående skole, snarere som Captcha-oppgaver. Studentene merket sammen manuelt et treningsdatasett på 15 000 tegn i løpet av et par timer.
Resultatene er imponerende. Vi var i stand til å generere den nøyaktige transkripsjonen for 65 prosent av ordbildene i datasettet vårt, sier Firmani og co.
Det er et viktig skritt fremover for middelalderske teksttranskripsjoner og for historikere generelt. Det er imidlertid mer arbeid foran oss. For eksempel fungerer transkripsjonen med små bokstaver, så et viktig neste mål er å utvide vokabularet til å inkludere store bokstaver og noen av de mange forkortelsene som brukes i middelaldertekst.
Akkurat hvordan Vatikanets hemmelige arkiv vil bruke denne teknologien er ennå ikke klart. Det er heller ikke kjent om Vatikanregistrene vil bli publisert når de blir transkribert.
Men selv om de ikke er det, bør verktøyene som Firmani og co utvikler tillate forskere å gjøre fremskritt. For eksempel tillater de en datadrevet studie av historiske dokumenter som kan se på ord- eller setningsfrekvenser, for eksempel, og hvordan de endrer seg over tid. Det kan gi viktig kulturell innsikt.
Det vil være fascinerende å se om Vatikanet bestemmer seg for å dele denne kunnskapen – eller skjule den.
Ref: arxiv.org/abs/1803.03200 : Towards Knowledge Discovery fra Vatikanets hemmelige arkiv. In Codice Ratio – Episode 1: Maskintranskripsjon av manuskriptene.