Auf dem Trainingsplatz der OCR, die OCR-D-GT-Guidelines
- „Statt Bücher zu lesen, werden wir bald ein GPT [Generative pre-trained transformers] auf der Basis dieser Bücher erstellen und das KI-System nutzen, um den Inhalt direkt für 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 für einen begrenzten Bestand angeboten werden, Realität. 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 Qualität messbar sind, sind Standards und Richtlinien für Trainingsmaterialien notwendig. Seit 2014 arbeitet das Projekt OCR-D gefördert von der DFG an der Volltextdigitalisierung von historischen Beständen aus dem 16. bis zum 18. Jahrhundert. Dabei war und ist Projektinhalt eine frei verfügbare Software-Basis zu schaffen und die koordinierte Volltextdigitalisierung von über 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. Für das Training wurde mit den OCR-D-GT-Guidelines[2] ein Rahmen geschaffen, der es ermöglicht, dass die Bibliotheken GT kollaborativ nutzen und austauschen können. Der Vortrag soll einen Überblick über dieses Regelwerk und die von OCR-D angebotenen Möglichkeiten der Speicherung sowie des Austauschs des GT geben. [1]: Gerst, Danny: OpenAI sägt Hälfte der KI-Startups ab – und dann fast sich selbst. in: heise online, 24.11.2023. [2]: https://ocr-d.de/goto/gt-guidelines
Author: | Matthias Boenig, Lena Hinrichsen, Konstantin Baierer |
---|---|
Parent Title (German): | TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz)/ Volltextdurchsuchbarkeit ausbauen (05.06.2024, 11:00 - 13:00, Saal A.3 / 1. OG) |
Document Type: | Conference publication (abstract) |
Language: | German |
Year of Completion: | 2024 |
Release Date: | 2024/05/10 |
Themes: | Erschließung, Linked Open Data, RDA |
Bibliotheksmanagementsysteme, OPAC | |
German Bibliothekartage / BiblioCon: | 112. BiblioCon |
112. BiblioCon / Themenkreise / TK 6: Sammlungen, Repositorien, Retrodigitalisierung und Kulturgut(schutz) | |
Licence (German): | Deutsches Urheberrecht |