OCR-Based Field Extraction for Archaeological Pottery Metadata: The CENTURIA Dataset
Das Papier stellt CENTURIA vor, einen Datensatz aus 507 handgeschriebenen römischen Töpferaufzeichnungen, und zeigt auf, dass das Fine-Tuning modernster OCR-Modelle mit einem minimalen Satz von nur 57 annotierten Proben effektiv die Domänendifferenz überbrückt und somit unzugängliche Archivmetadaten in strukturierte, durchsuchbare Daten mit hoher Genauigkeit transformiert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Die Geschichte spricht oft zu uns durch die Dinge, die Menschen hinterlassen haben, doch für Archäologen sind die wichtigsten Hinweise häufig direkt vor Augen verborgen – in ihren eigenen Archiven. Tonscherben, zerbrochen und über antike Stätten verstreut, sind die primäre Art und Weise, wie Forscher das tägliche Leben, Handelsrouten und Zeitpläne vergangener Gesellschaften verstehen. Da Ton Feuer und die Zeit besser überdauert als fast alles andere, fungieren diese Fragmente als eine universelle Sprache der Vergangenheit. Die Geschichte, die sie erzählen, ist jedoch oft in einem Format verschlossen, das Computer nicht lesen können. Seit Jahrzehnten halten Archäologen diese Funde von Hand fest, indem sie die Form eines zerbrochenen Topfes skizzieren und dessen Details in Notizbüchern oder auf Karten aufschreiben. Diese handschriftlichen Notizen enthalten die wesentlichen Daten: wo das Stück gefunden wurde, um welche Art von Topf es sich handelt und wie groß es ist. Während die physischen Zeichnungen vielleicht in einen Computer gescannt werden, bleibt der handschriftliche Text lediglich ein Bild, unsichtbar für die Suchmaschinen und Datenbanken, die Historikern helfen könnten, die Verbindung über Tausende von Jahren hinweg herzustellen.
Die Herausforderung besteht darin, einem Computer beizubringen, diese spezifischen, unordentlichen Notizen zu lesen. Im Gegensatz zu einem gedruckten Buch oder einem getippten Dokument sind diese archäologischen Aufzeichnungen voller einzigartiger Abkürzungen, seltsamer Symbole und einer Handschrift, die von einem Archäologen zum anderen variiert. Die Notizen sind oft über die Seite verstreut, ohne eine klare Lesereihenfolge, und die Tinte kann verblasst oder durchgestrichen sein. Lange Zeit war der einzige Weg, diese Informationen für die moderne Forschung nutzbar zu machen, Menschen zu beschäftigen, die jede einzelne Notiz manuell in einen Computer abtippen mussten – ein langsamer und teurer Prozess, der dazu geführt hat, dass riesige historische Sammlungen unzugänglich blieben. Die Frage, der sich die Forscher gestellt haben, war, ob moderne künstliche Intelligenz in der Lage sei, diese schwierigen, handschriftlichen Archive selbstständig zu lesen und so eine statische Abbildung einer Skizze in eine durchsuchbare Liste von Fakten zu verwandelt.
Ein Team von Forschern der Technischen Universität Wien und des Österreichischen Archäologischen Instituts setzte sich zum Ziel, dieses Problem zu lösen, indem sie ein neues Werkzeug und einen neuen Test für die Technologie entwickelten. Sie konzentrierten sich auf die umfangreiche Sammlung von Keramikaufzeichnungen aus Carnuntum, einer bedeutenden römischen Siedlung im heutigen Österreich. Allein dieser Fundort beherbergt etwa 70.000 analoge Datensätze – einen Schatzhaus der Geschichte, das weitgehend unzugänglich für Computer geblieben war. Das Team sammelte 507 dieser handschriftlichen Aufzeichnungen, um einen Datensatz zu erstellen, den sie CENTURIA nannten. Jeder Datensatz in dieser Sammlung wurde sorgfältig von menschlichen Experten geprüft und beschriftet, wodurch ein perfekter „Lösungsschlüssel“ entstand, von dem der Computer lernen konnte. Dieser Datensatz enthielt die Originalscans, den korrekten, von Menschen aufgeschriebenen Text und eine strukturierte Karte, die genau zeigte, welcher Teil des Textes zu welcher Kategorie gehörte, wie etwa dem Fundort oder der Art der Keramik.
Die Forscher testeten daraufhin fünf verschiedene Modelle der künstlichen Intelligenz, um zu sehen, ob diese die Dokumente ohne Hilfe lesen konnten. Bei diesen Modellen handelt es sich um dieselbe Art von Technologie, die verwendet wird, um Handschriften in anderen Bereichen zu lesen, doch als das Team sie ohne jegliches Training an den Keramikaufzeichnungen losließ, waren die Ergebnisse schlecht. Die Computer machten Fehler in fast jedem einzelnen Datensatz und lasen Buchstaben und Zahlen so schlecht, dass sie keine korrekten Informationen extrahieren konnten. Die Fehlerrate war so hoch, dass die Maschinen im Grunde nur rätten und es nicht schafften, die spezifischen Abkürzungen und Symbole zu erkennen, die Archäologen jeden Tag verwenden. Dies bestätigte, dass es nicht ausreichte, einfach bestehende Technologien auf dieses Problem anzuwenden; die Computer mussten die spezifische Sprache der Archäologen lernen.
Um dies zu beheben, versuchte das Team eine Methode namens „Fine-Tuning“, was so viel bedeutet wie einem Computer einen kurzen, intensiven Kurs über die spezifische Materie zu geben. Anstatt der Maschine tausende Beispiele zu zeigen, was Jahre dauern würde, zeigten sie ihr lediglich 57 Beispiele der bereits von Menschen korrigierten Keramikaufzeichnungen. Sie passten die internen Einstellungen des Computers leicht an, um ihm zu helfen, die einzigartige Handschrift und die Abkürzungen in diesen Archiven zu verstehen. Die Veränderung war dramatisch. Nach diesem kurzen Training hörten die Modelle auf zu raten und begannen mit hoher Genauigkeit zu lesen. Die Fehlerrate sank von über 30 Prozent auf weniger als 2 Prozent. Die Computer konnten nun den Fundort, die Art des Topfes und die Maße mit einer Erfolgsquote von fast 90 Prozent korrekt identifizieren.
Die Studie untersuchte auch, wie man diesen Prozess zuverlässig genug für den praktischen Einsatz machen kann. Da Computer nicht perfekt sind, entwickelten die Forscher ein System, bei dem zwei verschiedene Modelle dasselbe Dokument lesen und ihre Antworten vergleichen. Wenn beide Modelle sich bei einer Information einig waren, akzeptierte das System diese als korrekt. Diese einfache Prüfung ermöglichte es dem Team, die Ergebnisse für mehr als die Hälfte der Dokumente automatisch als vertrauenswürdig einzustufen, während die wenigen schwierigen Fälle zur Überprüfung durch einen Menschen markiert wurden. Dieser Ansatz bedeutet, dass ein kleines Team von Experten nun ein riesiges Archiv in einem Bruchteil der Zeit bearbeiten kann, die es manuell benötigen würde. Die Forscher fanden heraus, dass sie mit nur einem winzigen Zeitaufwand anfangs durch Experten, um die Trainingsbeispiele zu erstellen, Jahrzehnte an handschriftlichen Aufzeichnungen erschließen konnten.
Die Ergebnisse zeigen, dass die Barriere für die Digitalisierung dieser Archive nicht ein Mangel an Technologie ist, sondern ein Mangel an spezifischen Trainingsdaten. Indem sie bewiesen, dass eine kleine, sorgfältig kuratierte Menge an Beispielen ausreicht, um einem Computer beizubringen, diese spezialisierten Notizen zu lesen, haben die Forscher die Tür für Archive auf der ganzen Welt geöffnet. Der CENTURIA-Datensatz und die in dieser Studie entwickelten Methoden bieten einen Bauplan, um Stapel alter, handschriftlicher Skizzen in eine lebendige, durchsuchbare Datenbank zu verwandeln. Das bedeutet, dass Historiker bald komplexe Fragen über die Vergangenheit stellen können, wie etwa, wie sich Keramikstile im Laufe der Zeit veränderten oder wie sich Handelsrouten verschoben, und Antworten erhalten können, indem sie Millionen von Datensätzen durchsuchen, die zuvor in Tinte und Papier eingeschlossen waren. Die Arbeit zeigt, dass mit dem richtigen Ansatz die Geschichten, die in der Handschrift der Vergangenheit verborgen liegen, endlich von den Maschinen der Zukunft gehört werden können.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.