@misc{WeidlingBaierer2024, author = {Weidling, Michelle and Baierer, Konstantin}, title = {Quiver: Die Qualit{\"a}t von OCR-D-Workflows messen}, series = {TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz)/ Volltextdurchsuchbarkeit ausbauen (05.06.2024, 11:00 - 13:00, Saal A.3 / 1. OG)}, journal = {TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz)/ Volltextdurchsuchbarkeit ausbauen (05.06.2024, 11:00 - 13:00, Saal A.3 / 1. OG)}, year = {2024}, abstract = {Die Volltexterkennung von Digitalisaten ist heute eine wichtige Aufgabe von Bibliotheken, um die Durchsuchbarkeit von Texten und eine digitale Weiterverarbeitung der Inhalte zu erm{\"o}glichen. Ein frei verf{\"u}gbares Tool zur Volltexterkennung ist die Open-Source-Software OCR-D, die seit 2014 von der DFG gef{\"o}rdert wird und die die Volltextdigitalisierung der historischen Best{\"a}nde der VD 16, VD 17 und VD 18 realisieren wird. Doch wie gut ist die gew{\"a}hlte Volltexterkennung eigentlich? Und welche OCR-Workflows eignen sich f{\"u}r das vorhandene Material am besten in Hinblick auf die Zeichenerkennungsrate oder den Durchsatz? Um diese und {\"a}hnliche Fragen zu beantworten, hat das OCR-D-Team das Tool Quiver[1] entwickelt. Es vergleicht exemplarisch Workflows zur Volltexterkennung miteinander, indem es sie auf unterschiedliche Ground Truth, d.h. manuell annotierte korrekte Transkriptionen, aus dem VD-Bestand anwendet. Das Ergebnis der Volltexterkennung wird dann mit der Ground Truth verglichen und die vom OCR-D-Projekt spezifizierten Qualit{\"a}tsmerkmale[2] erfasst, sodass ein objektiver und schneller qualitativer Vergleich zwischen den verschiedenen Workflows m{\"o}glich ist. Quiver b{\"u}ndelt dar{\"u}ber hinaus Erkenntnisse aus den OCR-Durchl{\"a}ufen {\"u}ber die Zeit und unterst{\"u}tzt bei der Suche nach einem optimalen Workflow. Der Vortrag soll einen {\"U}berblick {\"u}ber Quiver geben und aufzeigen, wie es gewinnbringend bei der Volltexterkennung eigener Best{\"a}nde mit der OCR-D-Software angewendet werden kann. [1] https://ocr-d.de/quiver-frontend [2] https://ocr-d.de/en/spec/ocrd_eval}, language = {de} } @misc{BoenigHinrichsenBaierer2024, author = {Boenig, Matthias and Hinrichsen, Lena and Baierer, Konstantin}, title = {Auf dem Trainingsplatz der OCR, die OCR-D-GT-Guidelines}, series = {TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz)/ Volltextdurchsuchbarkeit ausbauen (05.06.2024, 11:00 - 13:00, Saal A.3 / 1. OG)}, journal = {TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz)/ Volltextdurchsuchbarkeit ausbauen (05.06.2024, 11:00 - 13:00, Saal A.3 / 1. OG)}, year = {2024}, abstract = {„Statt B{\"u}cher zu lesen, werden wir bald ein GPT [Generative pre-trained transformers] auf der Basis dieser B{\"u}cher erstellen und das KI-System nutzen, um den Inhalt direkt f{\"u}r unseren Anwendungsfall bereitzustellen"[1] Diese Aussage ist keine Vision, sondern mit Diensten wie sie im Bereich des digitalen Bestandes von Tageszeitungen in der Nationalbibliothek Luxemburg (https://chat.eluxemburgensia.lu/) experimentell oder nur f{\"u}r einen begrenzten Bestand angeboten werden, Realit{\"a}t. Einen direkten Einfluss auf die Leistung der Recherchesysteme oder solcher KI-Systeme hat dabei die Genauigkeit der Texterkennung der Volltextdigitalisierung. KI-basierte OCR-Systeme verwenden Methoden des maschinellen Lernens. Grundlage dieses Lernens ist Ground Truth (GT), d.h. manuell annotierte Trainings- und Evaluationsdaten. Damit die Ergebnisse der OCR vergleichbar und in ihrer Qualit{\"a}t messbar sind, sind Standards und Richtlinien f{\"u}r Trainingsmaterialien notwendig. Seit 2014 arbeitet das Projekt OCR-D gef{\"o}rdert von der DFG an der Volltextdigitalisierung von historischen Best{\"a}nden aus dem 16. bis zum 18. Jahrhundert. Dabei war und ist Projektinhalt eine frei verf{\"u}gbare Software-Basis zu schaffen und die koordinierte Volltextdigitalisierung von {\"u}ber einer Million bibliographischer beschriebener Titel in den VD (Verzeichnisse der im deutschsprachigen Raum erschienenen Drucke) mit dem OCR-D-Framework in den Bibliotheken zu begleiten. F{\"u}r das Training wurde mit den OCR-D-GT-Guidelines[2] ein Rahmen geschaffen, der es erm{\"o}glicht, dass die Bibliotheken GT kollaborativ nutzen und austauschen k{\"o}nnen. Der Vortrag soll einen {\"U}berblick {\"u}ber dieses Regelwerk und die von OCR-D angebotenen M{\"o}glichkeiten der Speicherung sowie des Austauschs des GT geben. [1]: Gerst, Danny: OpenAI s{\"a}gt H{\"a}lfte der KI-Startups ab - und dann fast sich selbst. in: heise online, 24.11.2023. [2]: https://ocr-d.de/goto/gt-guidelines}, language = {de} } @misc{KlaesBaiererHertlingetal.2023, author = {Klaes, Sebastian and Baierer, Konstantin and Hertling, Anke and Hinrichsen, Lena and Kr{\"u}ger, Katharina}, title = {OCR4all - eine L{\"o}sung f{\"u}r die Generierung von Volltexten historischer Korpora und Spezialsammlungen}, series = {Hands-on Lab/ OCR4all - eine L{\"o}sung f{\"u}r die Generierung von Volltexten historischer Korpora und Spezialsammlungen (25.05.2023, 16:30 - 18:30, Konferenzraum 11 \& 13)}, journal = {Hands-on Lab/ OCR4all - eine L{\"o}sung f{\"u}r die Generierung von Volltexten historischer Korpora und Spezialsammlungen (25.05.2023, 16:30 - 18:30, Konferenzraum 11 \& 13)}, year = {2023}, abstract = {Die Bereitstellung einer hochwertigen Volltexterkennung bei historischen Korpora stellt f{\"u}r viele Bibliotheken im Kontext der Digital Humanities ein neues Aufgabenfeld und eine Herausforderung dar. Insbesondere Forschungen, die Verfahren wie Text und Data Mining einsetzen, formulieren einen Bedarf an umfangreichen Textmengen, die zugleich eine hohe Qualit{\"a}t aufweisen sollen. Vor diesem Hintergrund f{\"o}rdert die DFG seit 2021 im Rahmen der dritten Phase der DFG-F{\"o}rderinitiative OCR-D die Entwicklung von Software-L{\"o}sungen f{\"u}r bestandserhaltende und -verarbeitende Einrichtungen. Die urspr{\"u}nglich mit Fokus auf besondere Bedarfe von geisteswissenschaftlichen Nutzer*innen an der Universit{\"a}t W{\"u}rzburg entwickelte Software OCR4all ist dabei aufgrund ihrer intuitiven und komfortablen Benutzeroberfl{\"a}che f{\"u}r den Einsatz auch in kleineren und mittleren Einrichtungen pr{\"a}destiniert. Durch die Interoperabilit{\"a}t mit dem OCR-D-{\"O}kosystem bietet OCR4all einen guten Einstieg in die massenhafte Vervolltextung. Im Zuge des OCR-D-Implementierungsprojekts OCR4all-libraries konnte OCR4all auf OCR-D-Technologien umgestellt und f{\"u}r den spezifischen bibliothekarischen Bedarf weiterentwickelt werden. Das Hands-On Lab bietet der interessierten Community einen Einstieg in das Thema automatische Texterkennung von Drucken mit OCR am Beispiel ausgew{\"a}hlter historischer Materialien. Teilnehmende erhalten einen Einblick in die Nutzung von OCR4all und k{\"o}nnen f{\"u}r ihren jeweiligen Anwendungskontext eine erste Einsch{\"a}tzung f{\"u}r eine Nutzung der Software vornehmen. Das Format soll dar{\"u}ber hinaus im Sinne einer offenen Softwareentwicklung dazu dienen, einen Dialog {\"u}ber die Weiterentwicklung der Software mit interessierten Anwender*innen mit begrenztem technischen Hintergrundwissen zu initiieren. Zus{\"a}tzlich soll die Ermittlung weiterer Anwendungspotentiale und die Diskussion {\"u}ber m{\"o}gliche Anbindung an Digitalisierungsworkflowsysteme erm{\"o}glicht werden.}, language = {de} } @misc{HinrichsenBaiererNeudeckeretal.2023, author = {Hinrichsen, Lena and Baierer, Konstantin and Neudecker, Clemens and Boenig, Matthias and Weidling, Michelle}, title = {OCR-D f{\"u}r die Massendigitalisierung: Projektstand und Ausblick}, series = {TK 5: Daten und Publikationen/ OCR als Kooperation (26.05.2023, 09:00 - 12:00, Runder Saal)}, journal = {TK 5: Daten und Publikationen/ OCR als Kooperation (26.05.2023, 09:00 - 12:00, Runder Saal)}, year = {2023}, abstract = {Seit 2015 wird im DFG-gef{\"o}rderten Projekt OCR-D (Koordinierte F{\"o}rderinitiative zur Weiterentwicklung von Verfahren der Optical Character Recognition) an L{\"o}sungen f{\"u}r die Massenvervolltextung von digitalisierten Best{\"a}nden in Bibliotheken, insbesondere der Verzeichnisse der im deutschen Sprachraum erschienenen Drucke (VD), gearbeitet. W{\"a}hrend in den ersten beiden Projektphasen die Entwicklung von Werkzeugen f{\"u}r alle Aspekte des OCR-Workflows im Vordergrund stand, ist der Fokus in Phase III von OCR-D (2021-2024) die Entwicklung von L{\"o}sungen f{\"u}r hohe Qualit{\"a}t bei hohem Durchsatz f{\"u}r die Massendigitalisierung, die in verschiedenen Kontexten und Infrastrukturen nachnutzbar sind. Auf dieser Grundlage arbeiten vier Implementierungsprojekte daran, OCR-D unter anderem in bestehende L{\"o}sungen wie Kitodo, OCR4all oder eigenentwickelte Digitalisierungsworkflows zu integrieren und den Einsatz von OCR-D auf Hochleistungsrechnern zu erm{\"o}glichen. Zudem arbeiten drei fortgef{\"u}hrte Modulprojekte daran, ausgew{\"a}hlte Workflowschritte zu verbessern, um die Genauigkeit der Volltexterkennung weiter zu verbessern. Im Vortrag berichten wir vom aktuellen Stand des Gesamtvorhabens und geben einen {\"U}berblick {\"u}ber die aktuellen Entwicklungen rund um OCR-D. Wir gehen darauf ein, welches Potenzial die Weiterentwicklungen f{\"u}r Bibliotheken und ihre Nutzenden bieten, welche Herausforderungen noch bestehen und was das f{\"u}r die (Massen-)Digitalisierung der VD und sonstigen Best{\"a}nde bedeutet. Dazu gehen wir auf das Gesamtvorhaben ein sowie auf unsere Implementierungs- und Modulprojekte und geben einen Ausblick, wie es mit OCR(-D) in Kulturerbeeinrichtungen weitergehen wird.}, language = {de} } @misc{BaiererHinrichsenSommeretal.2023, author = {Baierer, Konstantin and Hinrichsen, Lena and Sommer, Erik and Weigelt, Markus and Weil, Stefan}, title = {OCR f{\"u}r die Massendigitalisierung: Einf{\"u}hrung in OCR-D}, series = {Hands-on Lab/ OCR f{\"u}r die Massendigitalisierung: Einf{\"u}hrung in OCR-D (24.05.2023, 14:00 - 16:00, Konferenzraum 16)}, journal = {Hands-on Lab/ OCR f{\"u}r die Massendigitalisierung: Einf{\"u}hrung in OCR-D (24.05.2023, 14:00 - 16:00, Konferenzraum 16)}, year = {2023}, abstract = {Die automatische Volltexterkennung erfordert neben technischen L{\"o}sungen den Aufbau und Erhalt von Kompetenzen rund um OCR in den Kulturerbeeinrichtungen. Das Hands-on Lab bietet daher einen Einblick in die Einsatzm{\"o}glichkeiten von OCR-D: Die UB Braunschweig, die SLUB Dresden und die UB Mannheim entwickeln eine OCR-D-Integration in Kitodo.Production. Wir zeigen, wie mithilfe von Kitodo zuk{\"u}nftig, abh{\"a}ngig von der erforderlichen Skalierbarkeit, optimale OCR-Workflows genutzt werden k{\"o}nnen. Zudem probieren wir eine entwickelte L{\"o}sung f{\"u}r OCR on Demand im DFG-Viewer aus. Die ULB Sachsen-Anhalt entwickelt ODEM (OCR-D Erweiterung f{\"u}r Massendigitalisierung) als eine niedrigschwellige, vollautomatische L{\"o}sung, auch um zu demonstrieren, wie OCR-D in hausintern entwickelte Digitalisierungsworkflows integriert werden kann. Besonderes Augenmerk liegt hier auf einer leichtgewichtigen Architektur, hoher Qualit{\"a}t auch f{\"u}r heterogene Sprach- und Schriftbilder und Anreicherung bestehender Metadaten. Das Projekt OPERANDI von SUB und GWDG G{\"o}ttingen erh{\"o}ht den Durchsatz unter anderem durch die Nutzung von Hochleistungsrechnern, Workflow-Parallelisierung, Zwischenspeicherung und Verbesserung der Prozessoren. Wir stellen die Architektur von OPERANDI vor und diskutieren M{\"o}glichkeiten, wie damit die massenhafte OCR der VD zentral geleistet werden kann. Schließlich probieren wir OCR4all aus, eine grafische Oberfl{\"a}che f{\"u}r alle Aspekte eines OCR-Workflows, das im Rahmen des Projekts OCR4all-libraries der Universit{\"a}t W{\"u}rzburg und des GEI Braunschweig auf die Verwendung von OCR-D-Komponenten umgebaut wird. Dank der intuitiven Benutzeroberfl{\"a}che erm{\"o}glicht OCR4all den raschen Einstieg in OCR-D und Workflows k{\"o}nnen mit anderen Implementierungsprojekten hochskaliert werden. Die Teilnehmenden haben am Ende des Workshops einen {\"U}berblick dar{\"u}ber, wie sie OCR-D im eigenen Haus einsetzen k{\"o}nnen, und haben erste praktische Erfahrungen mit den vielf{\"a}ltigen M{\"o}glichkeiten der Texterkennung gesammelt}, language = {de} } @misc{BoenigHartwigWeidlingetal.2023, author = {Boenig, Matthias and Hartwig, Uwe and Weidling, Michelle and Baierer, Konstantin and Neudecker, Clemens}, title = {Moderne Standards bei der Erstellung und Evaluation von Volltextdaten}, series = {TK 5: Daten und Publikationen/ OCR als Kooperation (26.05.2023, 09:00 - 12:00, Runder Saal)}, journal = {TK 5: Daten und Publikationen/ OCR als Kooperation (26.05.2023, 09:00 - 12:00, Runder Saal)}, year = {2023}, abstract = {Die Bereitstellung qualitativ hochwertiger Volltexte ist eine Voraussetzung f{\"u}r die Erschließung umfangreicher bibliothekarischer Best{\"a}nde und zugleich Grundlage f{\"u}r nachgelagerte Verfahren wie Normdatenverkn{\"u}pfung oder automatische Sacherschließung. W{\"a}hrend die Evaluation von OCR bislang meist als einmalige und rein manuelle Aktivit{\"a}t verstanden wurde, skaliert dieser Ansatz nicht f{\"u}r die Massenvolltextdigitalisierung. Stattdessen wird zunehmend Ground Truth (GT), d.h. manuell erstellte, qualitativ einwandfreie Transkription, f{\"u}r die OCR-Evaluation und dar{\"u}ber hinaus erstellt. Die Nachnutzbarkeit von GT ist dann am h{\"o}chsten, wenn bei der Erstellung Spezifikationen {\"u}ber Formate und Verfahren eingehalten werden. Zwar ist der Aufwand von GT-getriebener Evaluation substantiell h{\"o}her als f{\"u}r einmalige manuelle Evaluationen (z.B. Bernoulli-Experiment); dies wird jedoch aufgewogen durch die sehr viel h{\"o}here Verl{\"a}sslichkeit und Aussagekraft der ermittelten Zahlen. Sowohl f{\"u}r Annotation und Repr{\"a}sentation der GT als auch f{\"u}r die Auswertungsverfahren zur OCR-Evaluation sind weitere Standardisierungen notwendig. Dar{\"u}ber hinaus kann GT auch zum Training von OCR und Layoutanalyse sowie in nachgelagerten Aufgaben verwendet werden, wof{\"u}r ebenfalls spezifische Anforderungen zu definieren sind. Im Rahmen der DFG-F{\"o}rderinitiative OCR-D wurden hierf{\"u}r eine Reihe von Richtlinien entwickelt. Neben einer {\"U}berarbeitung der DFG-Praxisregeln Digitalisierung im Hinblick auf OCR werden Richtlinien zur Erstellung von GT entwickelt. Auch dazu, wie GT nachhaltig und vielseitig anwendbar disseminiert werden sollte, werden Best Practices kommuniziert. Diese und weitere Aspekte der Standardisierung rund um OCR werden im Vortrag diskutiert und auch praktische Empfehlungen f{\"u}r OCR-Vorhaben gegeben.}, language = {de} }