Künstliche Intelligenz: Auch was für Archive!

Dokumente in Archiven sind bis ins 20. Jahrhundert meist handschriftlich. Um sie lesen zu können, benötigen Menschen besondere Kenntnisse in historischer Handschriftenkunde (Paläographie). Erschließung und Nutzung dieses Archivguts sind deshalb oft aufwändig. Kann automatische Handschriftenerkennung mittels Künstlicher Intelligenz (KI) künftig einen leichteren Zugang ermöglichen?

Erste Projekte aus den letzten Jahren sind vielversprechend. Zum Beispiel hat das Stadtarchiv Bautzen alle vom Rat der Stadt Bautzen zwischen 1632 und 1832 geführten Protokolle dank künstlicher Intelligenz transkribieren lassen.¹ Die im Original handschriftlichen Texte wurden also in ein aktuelles Schriftbild überführt und sind deshalb leicht lesbar. Zudem können die Texte jetzt durchsucht werden, etwa nach Namen. Insgesamt wurden 256 Bände Ratsprotokolle mit rund 53.000 Seiten bearbeitet. Eine große Herausforderung im Projekt waren die teilweise sehr schwierig zu lesenden und auch sehr wechselnden Schriften. Die Fehlerquote ist deshalb noch ziemlich hoch. Das Ergebnis ist dennoch beeindruckend.

Technische Voraussetzungen

Die automatische Erkennung von Handschriften (HTR) war lange Zeit schwierig und sehr fehlerhaft. Erst mit der Erprobung neuronaler Netze (KI) bekam die HTR-Entwicklung einen entscheidenden Schub. Dabei müssen die neuronalen Netze trainiert werden, um die Ergebnisse zu verbessern. Dafür geht man – etwas vereinfacht – so vor:

• Man füttert die KI mit Digitalisaten von handschriftlichen Texten, bereits davon erstellten Transkriptionen und Informationen zum Layout.
• Aufgrund dieses Materials „lernt“ die KI und kann dann weitere Digitalisate von den Handschriften verarbeiten.
• Weiteres Trainingsmaterial und Korrekturläufe führen zu höherer Genauigkeit in der Layout- und Zeichenerkennung.

Am Ende eines solchen Trainings steht ein auf eine oder mehrere Handschriften angepasstes neuronales Netz, das als „Modell“ dienen kann. Die Nutzung des Modells ermöglicht dann, die gescannten Texte zu transkribieren. In den letzten Jahren wurden bereits zahlreiche Modelle entwickelt, die nachgenutzt werden können. So lässt sich ein solches Modell mit etwas Trainingsmaterial schnell auf eine konkrete Handschrift spezialisieren.

Wichtig zu wissen: HTR kann auch bei Digitalisaten angewendet werden, die von s/w-Mikrofilmen von Archivgut hergestellt wurden. Relevant für die Qualität der Handschriftenerkennung sind vor allem gut erkennbare Kontraste.

Welche Tools gibt es?

Das wohl bekannteste KI-Tool für die Texterkennung von Handschriften ist Transkribus. Transkribus wurde auch für das Projekt beim Stadtarchiv Bautzen genutzt. Daneben gibt es natürlich weitere, zum Beispiel das an der Universität Würzburg, Zentrum für Philologie und Digitalität „Kallimachos“, angebundene OCR4all. Ein informativer Vortrag über seine Nutzung ist hier online veröffentlicht. Einen kurzen Überblick über kostenpflichtige und OpenSource Tools bietet die Präsentation von Benjamin Rosemann und Elisabeth Klindworth (FDMLab beim Landesarchiv Baden-Württemberg) über „Werkzeuge zur Texterkennung“ (Stand Juni 2021).

Technische Weiterentwicklungen

Das Feld entwickelt sich derzeit rasant weiter. Auch die Deutsche Forschungsgemeinschaft (DFG) fördert die Weiterentwicklung der OCR-/HTR-Technologie. So bewilligte sie jüngst das Projekt „Robuste und performante Verfahren für die Layoutanalyse in OCR-D“, das die Qualität der Layoutanalysen für historische Dokumente verbessern soll.

Zwar ist OCR-D auf historische Drucke ausgerichtet, aber die OCR- und HTR-Technologien verbinden sich zunehmend. Es ist abzusehen, dass künftig von einer übergreifenden ATR-Technologie die Rede sein wird. Als Beispiel kann hier der Beitrag „Automatic Text Recognition – The convergence between OCR and HTR technologies“ auf dem Blog der französischen KI-Firma Teklia genannt werden. Die IT-Community arbeitet u. a. bei Wettbewerben an immer besseren Lösungen: 2023 gibt es auf der ICDAR-Konferenz u. a. einen Wettbewerb zur Erkennung von Texten auf Siegeln (Competition on Reading the Seal Title).

Archive, die in Deutscher Einheitskurzschrift verfasste Quellen verwahren, können sich über das laufende Projekt „MultiHTR – Multilinguale Handschriftenerkennung“ an der Universität Freiburg freuen. Es widmet sich in der noch bis Mai 2024 laufenden zweiten Phase der Projektlaufzeit unter anderem der Entwicklung von Stenografie-Modellen, „mit denen Steno-Dokumente des Deutschen Tagebucharchivs und auch anderer Provenienz transkribiert werden sollen, so dass die Projektergebnisse direkt der Öffentlichkeit zugutekommen“.

KI im Sächsischen Staatsarchiv

Am Montag berichteten wir hier vom Prozess der digitalen Transformation des Sächsischen Staatsarchivs. Dazu gehört auch die Nutzung der neuen KI-Technologien, um Aufgaben effizienter und wirtschaftlicher erledigen zu können. Konkret planen wir einen schnelleren Zugriff auf die Meldekarten in der Leipziger Meldekartei, die zwischen 1910 und 1950 beim Leipziger Polizeipräsidium geführt wurde.

Sie befindet sich als Teil des Bestands 20031 Polizeipräsidium Leipzig im Staatsarchiv Leipzig. Sie wurde vor über 20 Jahren mikroverfilmt und vor wenigen Jahren vom Mikrofilm digitalisiert. Die Kartei umfasst rund 1 Million handschriftliche Meldekarten. Zu der Kartei erhält das Staatsarchiv jährlich über 500 Anfragen. Die Digitalisate können aber (noch) nicht online veröffentlicht werden. Denn viele der Meldekarten enthalten personenbezogene Daten, die noch einer Schutzfrist nach dem Sächsischen Archivgesetz unterliegen, vor allem zu in den 1940er Jahren geborenen Menschen. Für die Nutzung der Digitalisate soll daher eine intelligente, datenschutzkonforme Lösung entwickelt werden.

Mit den KI-Tools sind auch neue Möglichkeiten für eine vertiefte Verzeichnung von gedrucktem und handschriftlichem Archivgut entstanden. Sie könnten künftig den archivischen Methodenkasten erweitern. Nur ein Beispiel: Allein im Jahr 1850 sendete der Leipziger Musikverlag Breitkopf & Härtel Briefe an 722 Adressaten, erfasst im Personenregister des Briefkopierbuchs. Eine händische Erfassung aller Namen in allen Registern aller Kopierbücher des Verlags ist angesichts des Gesamtumfangs illusorisch. Die HTR könnte nun eine vollständige Indizierung möglich machen; oder, in einem ersten Schritt, zumindest das Auffinden konkreter Namen bzw. Adressaten durch Keyword Spotting.

Notwendige Voraussetzungen

Die KI kann Einzug in Archiven halten. Aber: Ein Archiv, das den digitalen Wandel nutzen und gestalten möchte, muss auf einer soliden Grundlage stehen. Noch immer ist die Personalausstattung vieler Archive in Sachsen viel zu knapp. Und immer noch gibt es vielerorts kein Archivinformationssystem, keine Online-Findmittel, keine stabile Lösung für das Hosting von Digitalisaten. Das Beispiel des Stadtarchivs Bautzen zeigt, dass die Nutzung von KI auch durch kleine Archive möglich ist. Aber dazu bedarf es einer soliden Grundausstattung. Und es braucht Archivarinnen und Archivare, die die digitalen Möglichkeiten als Chance begreifen.

---

---

1. https://www.archivverbund-bautzen.de/aktuelles/200-jahre-stadtgeschichte-komplett-online-und-mittels-kuenstlicher-intelligenz-recherchierbar [↩]

---

---