211service.com
AI pakt de geheimen van het Vaticaan aan
De geheime archieven van het Vaticaan zijn legendarisch. Naar verluidt vullen ze zo'n 85 kilometer aan planken in Vaticaanstad en bevatten ze de privébrieven en andere documenten van vroegere pausen, waarvan sommige dateren uit de achtste eeuw.
De archieven worden streng bewaakt. Sinds 1881 hebben geleerden echter beperkte toegang tot sommige documenten, en zelfs dit heeft veel onthuld.
Er is bijvoorbeeld een rol van 60 meter met details over de processen van de Tempeliers, die in 1307 begonnen en meerdere jaren duurden. Er zijn brieven aan verschillende pausen van Michelangelo; van Hendrik VIII, die om nietigverklaring van het huwelijk vroeg; en van Mary, Queen of Scots, smekend om voorspraak voor haar onthoofding.
De archieven bevatten ook recentere correspondentie, zoals brieven van Abraham Lincoln en Jefferson Davis die paus Pius IX probeerden over te halen om respectievelijk de Unie en de Confederatie te bevoordelen. Dan zijn er de archieven met betrekking tot paus Pius XII en zijn omgang met het naziregime tijdens de Tweede Wereldoorlog, die nooit zijn gepubliceerd. Alle records vanaf 1939 zijn inderdaad volledig geheim.
Hoewel publicatie van de archieven verboden is, hebben de archieven hun eigen foto- en conserveringsstudio's. En zoals veel historische archieven over de hele wereld, zijn ze begonnen met het opslaan van afbeeldingen van bepaalde documenten om ze te bewaren en verder onderzoek mogelijk te maken.
Maar de archieven van het Vaticaan zijn zo omvangrijk dat het binnen een redelijke termijn onpraktisch is ze met de hand over te schrijven. Kan machinevisie helpen?
Vandaag krijgen we een antwoord dankzij het werk van Donatella Firmani aan de Roma Tre University in Italië en een paar collega's. Deze mensen zijn een project begonnen genaamd In codeverhouding (Latijn voor The Code System), dat tot doel heeft automatisch een deel van de Vaticaanse geheime archieven, de Vaticaanse registers, te transcriberen.
Dit corpus bestaat uit meer dan 18.000 pagina's officiële 13e-eeuwse correspondentie tussen de katholieke kerk en koningen, koninginnen en politieke en religieuze instellingen in heel Europa. Deze documenten zijn in het verleden nooit getranscribeerd en zijn van ongekende historische relevantie, zeggen Firmani en co.
Middeleeuwse teksten vormen een uniek probleem voor machinevisie. Conventionele optische tekenherkenningsalgoritmen werken niet goed, omdat de manuscripten in verschillende stijlen zijn geschreven met verschillende ligaturen (tekens die aangrenzende letters combineren) en met eigenzinnige afkortingen.
Om dat te omzeilen, hebben wetenschappers machine vision-systemen ontwikkeld die hele woorden herkennen in plaats van letters. Maar dit is verre van bevredigend, omdat de meeste woorden zelfs in lange documenten maar een paar keer voorkomen. Het is dus moeilijk om datasets te maken waar machines van kunnen leren.
Nu hebben Firmani en co een nieuwe manier bedacht om een optisch tekenherkenningssysteem te trainen dat elk woord in een reeks streken verdeelt, die als een puzzel in elkaar passen. Ons doel is om een volwaardig systeem te ontwikkelen dat zoveel mogelijk uit de manuscripten overschrijft, zeggen ze.
Nadat elk woord in streepjes is verdeeld, probeert het systeem ze samen te voegen om bekende letters te vormen en analyseert het vervolgens alle mogelijke permutaties van letters. Ten slotte sluit het al degenen uit die niet-grammaticaal zijn.
Een gemeenschappelijk patroon van slagen kan bijvoorbeeld worden geïnterpreteerd als iii of als m, maar de eerste kan worden uitgesloten als grammaticaal ontoelaatbaar. Dezelfde streken kunnen ook in of ni voorstellen, en om ertussen te kiezen, moet het systeem het woord en de context ervan nauwkeuriger bestuderen.
De eerste stap van Firmani en co was het creëren van een dataset om een machine vision-systeem te trainen op basis van een neuraal netwerk. Deze dataset moet worden gelabeld zodat het systeem kan leren welke letters worden weergegeven door verschillende combinaties van slagen.
Firmani en co gebruikten crowdsourcing om deze annotatie te voltooien. Ze presenteerden de puzzelsegmentatie van woorden als een patroonherkenningsprobleem aan 120 middelbare scholieren, een beetje zoals Captcha-puzzels. De studenten labelden samen handmatig een trainingsdataset van 15.000 tekens in een paar uur.
De resultaten zijn indrukwekkend. We waren in staat om de exacte transcriptie te genereren voor 65 procent van de woordafbeeldingen van onze dataset, zeggen Firmani en co.
Dat is een belangrijke stap voorwaarts voor middeleeuwse teksttranscriptie en voor historici in het algemeen. Er is echter nog meer werk aan de winkel. De transcriptie werkt bijvoorbeeld met kleine letters, dus een belangrijk volgend doel is om de woordenschat uit te breiden met hoofdletters en enkele van de vele afkortingen die in middeleeuwse tekst worden gebruikt.
Hoe de Vaticaanse geheime archieven deze technologie zullen gebruiken, is nog niet duidelijk. Evenmin is bekend of de Vaticaanse registers zullen worden gepubliceerd wanneer ze worden getranscribeerd.
Maar zelfs als dat niet het geval is, zouden de tools die Firmani en co ontwikkelen wetenschappers in staat moeten stellen vooruitgang te boeken. Ze maken bijvoorbeeld een gegevensgestuurde studie van historische documenten mogelijk die bijvoorbeeld kunnen kijken naar woord- of zinsfrequenties en hoe deze in de loop van de tijd veranderen. Dat kan belangrijke culturele inzichten opleveren.
Het zal fascinerend zijn om te zien of het Vaticaan besluit deze kennis te delen - of te verbergen.
Referentie: arxiv.org/abs/1803.03200 : Op weg naar kennisontdekking uit de geheime archieven van het Vaticaan. In Codice Ratio - Aflevering 1: Machinale transcriptie van de manuscripten.