Erschließung, Linked Open Data, RDA
„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
Die Bereitstellung qualitativ hochwertiger Volltexte ist eine Voraussetzung für die Erschließung umfangreicher bibliothekarischer Bestände und zugleich Grundlage für nachgelagerte Verfahren wie Normdatenverknüpfung oder automatische Sacherschließung. Während die Evaluation von OCR bislang meist als einmalige und rein manuelle Aktivität verstanden wurde, skaliert dieser Ansatz nicht für die Massenvolltextdigitalisierung. Stattdessen wird zunehmend Ground Truth (GT), d.h. manuell erstellte, qualitativ einwandfreie Transkription, für die OCR-Evaluation und darüber hinaus erstellt.
Die Nachnutzbarkeit von GT ist dann am höchsten, wenn bei der Erstellung Spezifikationen über Formate und Verfahren eingehalten werden. Zwar ist der Aufwand von GT-getriebener Evaluation substantiell höher als für einmalige manuelle Evaluationen (z.B. Bernoulli-Experiment); dies wird jedoch aufgewogen durch die sehr viel höhere Verlässlichkeit und Aussagekraft der ermittelten Zahlen.
Sowohl für Annotation und Repräsentation der GT als auch für die Auswertungsverfahren zur OCR-Evaluation sind weitere Standardisierungen notwendig. Darüber hinaus kann GT auch zum Training von OCR und Layoutanalyse sowie in nachgelagerten Aufgaben verwendet werden, wofür ebenfalls spezifische Anforderungen zu definieren sind.
Im Rahmen der DFG-Förderinitiative OCR-D wurden hierfür eine Reihe von Richtlinien entwickelt. Neben einer Überarbeitung 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 für OCR-Vorhaben gegeben.