211service.com
AI tar itu med Vatikanens hemligheter
Vatikanens hemliga arkiv är legenden. Enligt uppgift fyller de cirka 85 kilometer av hyllor i Vatikanstaten, och innehåller privata brev och andra dokument från tidigare påvar, några av dem från 700-talet.
Arkiven är noga bevakad. Men sedan 1881 har forskare haft begränsad tillgång till några av dokumenten, och även detta har avslöjat mycket.
Till exempel finns det en 60 meter lång rulla som beskriver rättegångarna mot tempelriddaren, som startade 1307 och varade i flera år. Det finns brev till olika påvar från Michelangelo; från Henrik VIII, med begäran om annullering av äktenskapet; och från Mary, Queen of Scots, som bad om förbön innan hennes halshuggning.
Arkiven innehåller också nyare korrespondens, såsom brev från Abraham Lincoln och Jefferson Davis som försöker övertala påven Pius IX att gynna unionen respektive konfederationen. Sedan finns det uppteckningar som rör påven Pius XII och hans kontakter med nazistregimen under andra världskriget, som aldrig har publicerats. Alla rekord från 1939 och framåt är faktiskt helt hemliga.
Även om publicering av dokumenten är förbjuden, har arkiven sina egna foto- och konserveringsstudior. Och som många historiska arkiv runt om i världen har de börjat spara bilder av vissa dokument för att bevara dem och möjliggöra ytterligare studier.
Men Vatikanens register är så omfattande att det är opraktiskt att transkribera dem för hand under någon rimlig tidsperiod. Kan maskinseende hjälpa?
Idag får vi svar tack vare Donatella Firmanis arbete vid Roma Tre University i Italien och några kollegor. Dessa människor har påbörjat ett projekt som heter I kodförhållande (Latin för The Code System), som syftar till att automatiskt transkribera en del av Vatikanens hemliga arkiv som kallas Vatikanregistren.
Denna korpus består av mer än 18 000 sidor av officiell 1200-talskorrespondens mellan den katolska kyrkan och kungar, drottningar och politiska och religiösa institutioner över hela Europa. Dessa dokument, som aldrig har transkriberats tidigare, är av oöverträffad historisk relevans, säger Firmani och co.
Medeltida texter utgör ett unikt problem för maskinseende. Konventionella optiska teckenigenkänningsalgoritmer fungerar inte bra, eftersom manuskripten är skrivna i olika stilar med olika ligaturer (tecken som kombinerar intilliggande bokstäver) och med egenartade förkortningar.
För att komma runt det har forskare utvecklat maskinseendesystem som känner igen hela ord snarare än bokstäver. Men detta är långt ifrån tillfredsställande, eftersom de flesta ord bara förekommer några få gånger även i långa dokument. Så att skapa datamängder för maskiner att lära av är svårt.
Nu har Firmani och co kommit på ett nytt sätt att träna ett optiskt teckenigenkänningssystem som delar upp varje ord i en serie drag, som passar ihop som ett pussel. Vårt mål är att utveckla ett fullfjädrat system som transkriberar så mycket som möjligt från manuskripten, säger de.
Efter att ha delat upp varje ord i streck, försöker systemet att passa ihop dem för att bilda kända bokstäver och analyserar sedan alla potentiella permutationer av bokstäver. Slutligen utesluter det alla de som är icke-grammatiska.
Till exempel kan ett vanligt mönster av streck tolkas som iii eller som m, men det förra kan uteslutas som grammatiskt otillåtet. Samma streck kan också representera in eller ni, och för att välja mellan dem måste systemet studera ordet och dess sammanhang närmare.
Firmani och cos första steg var att skapa en datamängd för att träna ett maskinseendesystem baserat på ett neuralt nätverk. Denna datamängd måste märkas så att systemet kan lära sig vilka bokstäver som representeras av olika kombinationer av streck.
Firmani och co använde crowdsourcing för att slutföra denna kommentar. De presenterade pusselsegmenteringen av ord som ett mönsterigenkänningsproblem för 120 gymnasieelever, snarare som Captcha-pussel. Eleverna märkte tillsammans manuellt en träningsdatauppsättning på 15 000 tecken på ett par timmar.
Resultaten är imponerande. Vi kunde generera den exakta transkriptionen för 65 procent av ordbilderna i vår datauppsättning, säger Firmani och co.
Det är ett viktigt steg framåt för medeltida texttranskription och för historiker i allmänhet. Men det är mer arbete framför oss. Till exempel fungerar transkriptionen med små bokstäver, så ett viktigt nästa mål är att utöka ordförrådet till att omfatta versaler och några av de många förkortningar som används i medeltida text.
Hur Vatikanens hemliga arkiv kommer att använda denna teknik är ännu inte klart. Det är inte heller känt om Vatikanregistren kommer att publiceras när de transkriberas.
Men även om de inte är det, bör verktygen som Firmani och co utvecklar göra det möjligt för forskare att göra framsteg. Till exempel tillåter de en datadriven studie av historiska dokument som kan titta på ord- eller frasfrekvenser, till exempel, och hur de förändras över tiden. Det kan ge viktiga kulturella insikter.
Det kommer att bli fascinerande att se om Vatikanen bestämmer sig för att dela med sig av denna kunskap – eller dölja den.
Ref: arxiv.org/abs/1803.03200 : Towards Knowledge Discovery från Vatikanens hemliga arkiv. In Codice Ratio – Avsnitt 1: Maskintranskription av manuskripten.