Faida:
- Uwezo wa kusanidi mtiririko wa kazi wa HTR na unukuzi na kueleza kwa nini rasimu ghafi inahitaji mtaalam wa kukagua mstari kwa mstari.
- Uwezo wa kulinda maeneo ambayo hayasomeki kwa kuuliza njia mbadala badala ya kuweka usomaji sahihi ikiwa kuna utata wa vokali/barua katika Kituruki cha Ottoman.
- Uwezo wa kutenganisha unukuzi asilia kutoka kwa safu tofauti ya kurahisisha, kuweka dhima ya mwisho ya kisayansi na mwandishi wa paleografia.
Labda sehemu inayohitaji sana utafiti wa kihistoria ni kunakili miswada na hati za zamani zilizoandikwa katika maandishi yanayosomeka. Barua, daftari, rekodi ya korti au hati ya Ottoman inaweza kutafutwa tu baada ya kunakiliwa. Unukuzi ni kitendo cha kuhamisha yaliyomo kwenye hati (mara nyingi hati iliyoandikwa kwa mkono au ya zamani) hadi maandishi yaliyoandikwa, yanayosomeka. Kwa upande wa Ottoman, hii mara nyingi huambatana na unukuzi: kuhamisha maandishi katika herufi za Kiarabu hadi alfabeti ya Kilatini pamoja na herufi-kwa-herufi sawa.
Tulitumia OCR kwa maandishi yaliyochapishwa; Kuandika kwa mkono kunahitaji teknolojia tofauti: HTR (Utambuzi wa Maandishi kwa Mkono). HTR ni teknolojia inayofanana na OCR lakini ina changamoto zaidi ambayo inabadilisha hati zilizoandikwa kwa mkono kuwa maandishi ya mashine. Katika kitengo hiki tutaona jinsi ya kutumia HTR na AI katika Ottoman na unukuzi wa hati, ukingo wa makosa na kwa nini uthibitishaji ni muhimu zaidi hapa.
Kwa nini kuandika kwa mkono ni ngumu sana?
Mwandiko ni tofauti zaidi kuliko maandishi yaliyochapishwa: kila mwandishi ana mkono wa kipekee, barua zimeunganishwa pamoja, vifupisho na ishara maalum hutumiwa, damu ya wino, karatasi huchoka. Katika Kituruki cha Ottoman ugumu unazidishwa:
- Fomu za herufi za muktadha: Herufi ile ile imeandikwa kwa njia tofauti mwanzoni, katikati na mwisho wa neno.
- Kutoandika vokali: Vokali fupi mara nyingi haziandikwi; msomaji anakamilisha kutoka kwa muktadha. Hii inaleta utata kama vile "kukubalika au kukataliwa?"
- Mitindo tofauti ya uandishi: Kuna mitindo tofauti ya mwandiko kama vile rik'a, divani, ta'lik; Kila moja inahitaji utaalamu tofauti wa kusoma.
- Msamiati wa Ottoman: Maneno kutoka Kiarabu na Kiajemi ambayo hayapo katika Kituruki cha leo.
Kwa hivyo, HTR na AI hufanya kazi kwa kiwango cha juu zaidi cha makosa katika Kituruki cha Ottoman kuliko OCR ya kuchapisha. Jicho la mtaalamu wa paleografia (paleography - sayansi ya kusoma maandishi ya kale) sio chombo hapa, lakini ni lazima.
Mtiririko wa kazi: hatua kwa hatua
1. Tayarisha ubora wa hati. Kama ilivyo kwa OCR, azimio la juu na utofautishaji mzuri ni muhimu. Hili ni muhimu zaidi katika mwandiko.
2. Chagua mfano wa HTR. Ottoman, mwandiko wa Kiarabu, au miundo ya HTR iliyofunzwa mahususi kwa kipindi mahususi ina mafanikio zaidi kuliko miundo ya jumla. Jaribu ni modeli gani inafanya kazi vizuri kwa kipindi na mtindo wa uandishi.
3. Tengeneza unukuzi mbichi. Mfano wa HTR hutoa muhtasari. Katika Kituruki cha Ottoman, rasimu hii ni mwanzo kamili wa makosa ambayo jicho la uzoefu lazima liangalie kwa makini.
4. Uboreshaji wa mazingira na AI. Unaweza kuwa na kutofautiana kwa bendera ya AI, njia mbadala za kusoma zinazowezekana, na maeneo ya kutiliwa shaka katika matokeo ghafi. Lakini "marekebisho" ya AI ni hatari sana hapa: inaweza kupendekeza usomaji uliotungwa.
5. Unukuzi na kurahisisha (layered). Ufafanuzi wa maandishi katika herufi za Kiarabu hadi herufi za Kilatini, na kufuatiwa na usomaji wake uliorahisishwa katika Kituruki cha leo, hutokezwa kama tabaka tofauti. Asili haivunji kamwe.
6. Uthibitishaji wa kitaalam. Unukuzi wa mwisho unaidhinishwa na mtaalam mwenye paleografia na ujuzi wa kipindi kwa kulinganisha na hati.
Makini: Katika Kituruki cha Ottoman, wakati "unakisia" neno na vokali isiyoandikwa kutoka kwa muktadha, AI inaweza kutoa usomaji mbaya kabisa na kuiwasilisha kwa lugha ya kujiamini. Tofauti ya herufi, kama vile "kabul" badala ya "kabil" au "alem" badala ya "alim", inabadilisha maana kabisa. Kila usomaji usio na hakika unapaswa kuwasilishwa kwa njia mbadala, na hakuna usomaji mmoja wa uhakika unapaswa kuwekwa.
Tabaka na wajibu na meza
safu
Maudhui
Jukumu la AI
Jukumu la mtaalam
Picha
hati asili
-
Chanzo
Rasimu ya HTR
Kusoma kwa mashine ghafi
huzalisha
Kudhibiti kutoka mwanzo hadi mwisho
unukuzi
Uhamisho wa barua ya Kilatini
rasimu inapendekeza
Inasahihisha, inasahihisha
Vidokezo vya kutokuwa na uhakika
[?] na njia mbadala
ishara
huamua
Kurahisisha
Kituruki cha leo
rasimu inapendekeza
Vibali
uchapishaji wa kisayansi
Maandishi ya mwisho + noti
-
Mtaalamu pekee
kesi tatu ndogo
Kesi ya 1 - HTR iliharakisha rasimu ya kwanza kwa 5x. Mwanafunzi wa udaktari angenakili daftari la kurasa 200 la Ottoman. Unukuzi kamili wa mikono ulikadiriwa kuwa siku 60 za kazi. Kwa mtindo wa HTR uliofunzwa kwa kipindi hicho, rasimu ghafi ilitoka kwa saa chache; Mwanafunzi alisahihisha rasimu hii na kupunguza kazi hadi siku 12 za kazi. Lakini ilimbidi alinganishe kila ukurasa na hati, mstari kwa mstari; Takriban 30% ya rasimu haikuwa sahihi.
Kesi 2 - herufi moja, maana moja. Mtafiti mmoja alitegemea neno ambalo AI alisoma kama "gavana." Chini ya udhibiti wa wataalam, ilieleweka kuwa neno hilo lilikuwa "mlezi" (linalowajibika kwa mtoto/mtu), na kwa kuwa vokali haikuwekwa alama, AI ilikisia kuwa sio sawa. Maana ya kisheria ya hati hiyo ilikuwa ikibadilika kabisa. Somo: Katika Kituruki cha Ottoman, tofauti ya herufi/vokali husababisha hati kufasiriwa tangu mwanzo; mtaalam anahitajika.
Kesi ya 3 - Ukamilishaji uliobuniwa. Katika mstari ambao wino wake ulikuwa umeisha na neno moja ambalo halikuweza kusomeka, AI ilijaza pengo na neno "mantiki". Mtaalam huyo aligundua kuwa pengo hilo kwa kweli lilikuwa jina la mahali na kwamba AI ndiye aliyeitengeneza. Nafasi iliyoachwa kama [isiyosomeka]. Somo: nafasi isiyoweza kusomeka haijajazwa, imewekwa alama.
Violezo vinne vinavyoweza kunakiliwa
1) Unukuzi ambao huhifadhi utata:
Ifuatayo ni matokeo/unukuzi ghafi wa HTR wa hati ya Ottoman. Jukumu lako ni kukagua maandishi na kuripoti hitilafu zinazowezekana za usomaji. Kanuni: (1) Toa njia mbadala za kusoma 2-3 kwa kila neno ambalo huna uhakika nalo, usilazimishe. (2) Acha [zisizosomeka] katika sehemu zisizosomeka, usizijaze. (3) KUONGEZA maneno ambayo hayapo katika maandishi. (4) Onyesha vibadala katika maneno yenye vokali zisizoeleweka. Maandishi: [hapa]
2) Usomaji wa tabaka (asili + kurahisisha):
Tengeneza safu wima MBILI kwa tafsiri ifuatayo ya Ottoman iliyothibitishwa: (1) Unukuzi asilia (mguso), (2) Usomaji uliorahisishwa katika Kituruki cha leo. KUONGEZA maana, kuongeza tafsiri katika kurahisisha; sasisha tu lugha. Weka alama kwenye maeneo kwa maana isiyoeleweka[indistinct]. Unukuzi: [hapa]
3) Muda na uchimbaji wa mtu:
Majina ya kibinafsi, majina ya mahali, mada na masharti ya mara kwa mara yaliyotajwa katika unukuzi hapa chini yanaonekana katika orodha tofauti. Chukua tu zile KWA UWAZI zilizotajwa kwenye maandishi; Usiongeze kwa kubahatisha. Weka alama kwa [?] ikiwa huna uhakika wa matamshi. Maandishi: [hapa]
4) Udhibiti wa kusoma unaoshukiwa:
Mtawala mwenye uzoefu wa paleografia katika jukumu hilo. Katika manukuu yaliyo hapa chini, weka alama kwenye maneno ambayo hayalingani kimaana, hayalingani na kipindi au hayaendani na muktadha, na uandike kwa nini yanashuku. Kuweka marekebisho ya uhakika; Tengeneza orodha ya tuhuma ambazo mtaalam wa kibinadamu atalinganisha na hati. Maandishi: [hapa]
Mwongozo dhaifu / Mwongozo thabiti
Dhaifu:
Soma maandishi haya ya Ottoman na unipe tafsiri yake.
Hii inasukuma AI kutoa usomaji mmoja, dhahiri, kuficha utata na kufaa kwa mapungufu. Katika Kituruki cha Ottoman, hii ni karibu kosa lililohakikishwa.
Nguvu:
Tazama tafsiri ya Ottoman hapa chini. Usomaji wa uhakika: IMPASITION. Toa njia mbadala zinazowezekana kwa kila neno lisiloeleweka, acha sehemu [zisizosomeka], usiongeze chochote ambacho hakiko katika maandishi. Toa usomaji uliorahisishwa kwa Kituruki cha leo katika safu tofauti, lakini uhifadhi asili. Weka alama kwenye kitu chochote ambacho huna uhakika nacho [?] ili mtaalam aweze kukilinganisha na hati. Maandishi: [hapa]
Tofauti: marufuku madhubuti ya kusoma, kuomba njia mbadala, kuhifadhi nafasi nyeupe, na matokeo yaliyowekwa safu huwezesha uthibitishaji wa kitaalam.
Makosa ya kawaida
- Inakosea rasimu ya HTR kama sahihi. Katika Kituruki cha Ottoman, rasimu nyingi ghafi inaweza kuwa si sahihi; Udhibiti wa mstari kwa mstari ni lazima.
- Usomaji pekee wa uhakika ni kulazimisha. Ikiwa mbadala zitafichwa katika maneno ambayo vokali hazijaandikwa, maana isiyo sahihi itarekodiwa.
- Kujaza eneo lisiloweza kusomeka. Inapaswa kulindwa na nafasi nyeupe [isiyosomeka], sio kuunda.
- Kuchanganya asili na kurahisisha. Kurahisisha kunapaswa kuwa safu tofauti; Unukuzi asilia haufai kupotoshwa.
- Kuzima mtaalam. Bila ujuzi wa paleografia na kipindi, usomaji wa AI ni ubashiri usio na thamani ya kisayansi.
Kwa muhtasari
Unukuzi wa Ottoman na hati kwa mkono unaweza kuharakishwa sana katika hatua ya rasimu ghafi kwa HTR na AI; Unapata pato la kwanza ambalo linapunguza siku za kazi hadi saa. Lakini ni hasa katika eneo hili ambapo herufi moja, tofauti ya vokali moja hubadilisha maana; AI huelekea kuficha kutokuwa na uhakika na kujaza mapengo. Njia sahihi ni layered: muhtasari mbichi, maelezo mbadala ya utata, safu tofauti ya kurahisisha na, juu ya yote, uthibitishaji wa mstari kwa mstari wa hati na mtaalam anayefahamu paleografia. AI huharakisha usomaji wa awali; Wajibu wa kisayansi ni wa mtaalam.
Jukumu la maombi
Pata unukuzi wa hati ya Ottoman au muswada (uchapishaji wako mwenyewe au nakala iliyochapishwa). Uliza AI \ usomaji mbadala ukitumia kiolezo cha "kuhifadhi utata". Kisha toa safu ya kurahisisha kando na "usomaji wa tabaka". Linganisha kila neno lenye alama isiyoeleweka na chanzo cha kitaalamu au kamusi; Kumbuka ni makosa mangapi ambayo AI inaweza kutoa ikiwa ingeweka usomaji mmoja.
orodha ya ukaguzi
- [ ] Nilitumia HTR/modeli inayolingana na kipindi na mtindo wa uandishi.
- [ ] Niliuliza AI kwa njia mbadala za usomaji kamili.
- [ ] Nililinda sehemu zisizoweza kusomeka kwa [zisizosomeka].
- [ ] Nilitenga unukuzi asilia na kurahisisha.
- [ ] Nakala ya mwisho ilithibitishwa na mtaalamu/mwandishi wa maandishi ambaye anajua paleografia.