Automatisert løype frå biletfil til «skitne transkripsjonar»

Føremålet med prosjektet er å byrje etterlengta utvinning av data frå biletfiler som allereie er digitisert. Prosjektet vil i hovudsak romme handskrivne kommunale arkivkjelder frå tidsrommet 1837 og 1946. Ynskja resultat frå prosjektet er å etablere ei automatisert arbeidsløype som mogleggjer handskriftsattkjenning på større skala enn dagens betalingsløysingar.

Om prosjektet

IKA Hordaland har sidan 2020 digitisert store mengder kommunale arkivkjelder til Digitalarkivet og lagt stor innsats i metadata og arkivskildring. No ynskjer vi å utvide innsatsen til å også bruke maskinlæring til å utforske innhaldet i kjeldene. Mange prosjekt utforskar dagens løysingar med Transkribus og Teklia. Vår erfaring med slike dyre programvarer er at ein får relativt lite igjen for mykje innsats. Dette prosjektet tek i bruk eksisterande opne modellar frå datadelingsnettstader for å undersøkje om ein kan nytte HTR i større skala på arkivkjelder allereie i dag. Prosjektet vil etablere ei arbeidsløype som ser slik ut: 1.1) For møtebøker og liknande som har løpande tekst og avsnitt. Byggje automatisert metode for å maskinelt identifisere tekstbolker og liner. Til dømes ved bruk av svenske riksarkivet sin HTRFLOW. 1.2) For fråversdagbøker og andre protokollar som har tabellar. Byggje automatisert metode for å maskinelt identifisere ruter og kolonner. Til dømes ved bruk av Microsoft sine opne modellar «table-transformer-structure-recognition». 2) Bruke eksisterande HTR-modellar til å køyre på layoutane som er laga i punkt 1. Alternativt er også den relativt nyutvikla Arkindex-platformen til Teklia 100% open source. Innovasjon: Prosjektet er nyskapande i arkivsektoren. Overføringsverdi: Ja. 15. aug.