OCR-Based Field Extraction for Archaeological Pottery Metadata: The CENTURIA Dataset
यह शोध पत्र CENTURIA का परिचय देता है, जो 507 हस्तलिखित रोमन मिट्टी के बर्तनों के रिकॉर्ड का एक डेटासेट है, और यह प्रदर्शित करता है कि केवल 57 एनोटेटेड नमूनों के न्यूनतम सेट के साथ अत्याधुनिक OCR मॉडलों को फाइन-ट्यून करना प्रभावी रूप से डोमेन गैप को पाटता है, जिससे अप्राप्य अभिलेखीय मेटाडेटा को उच्च सटीकता के साथ संरचित, खोजने योग्य डेटा में परिवर्तित किया जा सकता है।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
इतिहास अक्सर उन चीजों के माध्यम से हमसे बात करता है जो लोग पीछे छोड़ जाते हैं, लेकिन पुरातत्वविदों के लिए, सबसे महत्वपूर्ण सुराग अक्सर उनके अपने अभिलेखों (आर्काइव्स) के भीतर ही छिपे होते हैं। मिट्टी के बर्तन के टुकड़े, जो प्राचीन स्थलों पर बिखरे और टूटे हुए मिलते हैं, शोधकर्ताओं के लिए अतीत के दैनिक जीवन, व्यापार मार्गों और समयसीमाओं को समझने का प्राथमिक तरीका हैं। क्योंकि मिट्टी आग और समय के प्रभाव को लगभग किसी भी अन्य चीज़ की तुलना में बेहतर तरीके से झेल लेती है, ये टुकड़े अतीत की एक सार्वभौमिक भाषा के रूप में कार्य करते हैं। हालाँकि, वे कहानी जो वे बताते हैं, अक्सर एक ऐसे प्रारूप में बंद होती है जिसे कंप्यूटर पढ़ नहीं सकते। दशकों से, पुरातत्वविद इन खोजों को हाथ से दर्ज करते आए हैं, जिसमें वे एक टूटे हुए बर्तन के आकार का रेखाचित्र बनाते हैं और उसके विवरण को नोटबुक या कार्डों में लिखते हैं। इन हस्तलिखित नोट्स में आवश्यक डेटा होता है: वह टुकड़ा कहाँ पाया गया था, वह किस प्रकार का बर्तन था, और उसका आकार क्या है। भले ही भौतिक रेखाचित्रों को कंप्यूटर में स्कैन किया जा सकता है, लेकिन हस्तलिखित पाठ केवल एक छवि बनकर रह जाता है, जो उन खोज इंजनों और डेटाबेस के लिए अदृश्य रहता है जो इतिहासकारों को हजारों वर्षों के बीच संबंध जोड़ने में मदद कर सकते हैं।
चुनौती कंप्यूटर को इन विशिष्ट, अव्यवस्थित नोट्स को पढ़ना सिखाने में निहित है। एक मुद्रित पुस्तक या टाइप किए गए दस्तावेज़ के विपरीत, ये पुरातात्विक रिकॉर्ड विशिष्ट संक्षिप्त रूपों (एब्रिविएशन), अजीब प्रतीकों और एक पुरातत्वविद से दूसरे पुरातत्वविद तक भिन्न होने वाली लिखावट से भरे होते हैं। नोट्स अक्सर पृष्ठ पर बिखरे हुए होते हैं, जिनमें पढ़ने का कोई स्पष्ट क्रम नहीं होता, और स्याही फीकी या कटी हुई हो सकती है। लंबे समय तक, इस जानकारी को आधुनिक अनुसंधान के लिए उपयोगी बनाने का एकमात्र तरीका हर एक नोट को मैन्युअल रूप से टाइप करने के लिए लोगों को काम पर रखना था, जो एक धीमी और महंगी प्रक्रिया थी जिसने इतिहास के विशाल संग्रहों को अप्राप्य छोड़ दिया था। शोधकर्ताओं के सामने प्रश्न यह था कि क्या आधुनिक आर्टिफिशियल इंटेलिजेंस (कृत्रिम बुद्धिमत्ता) अपने आप इन कठिन, हस्तलिखित अभिलेखों को पढ़ सकती है, जिससे एक रेखाचित्र की स्थिर छवि को तथ्यों की एक खोजने योग्य सूची में बदला जा सके।
वियना के तकनीकी विश्वविद्यालय और ऑस्ट्रियाई पुरातत्व संस्थान के शोधकर्ताओं की एक टीम ने एक नया उपकरण और इस तकनीक के लिए एक नया परीक्षण बनाकर इस समस्या को हल करने का प्रयास किया। उन्होंने ऑस्ट्रिया में वर्तमान में स्थित एक प्रमुख रोमन बस्ती, कार्नुंटम (Carnuntum) के मिट्टी के बर्तनों के रिकॉर्ड के विशाल संग्रह पर ध्यान केंद्रित किया। यह स्थल अकेले लगभग 70,000 एनालॉग रिकॉर्ड रखता है, जो इतिहास का एक ऐसा खजाना है जो काफी हद तक कंप्यूटर द्वारा खोजने योग्य नहीं रहा है। टीम ने इन हस्तलिखित रिकॉर्डों में से 507 को एकत्र किया ताकि एक डेटासेट बनाया जा सके जिसे उन्होंने 'सेंटुरिया' (CENTURIA) नाम दिया। इस संग्रह का प्रत्येक रिकॉर्ड मानव विशेषज्ञों द्वारा सावधानीपूर्वक जांचा और लेबल किया गया था, जिससे एक सटीक "उत्तर कुंजी" तैयार हुई जिससे कंप्यूटर सीख सके। इस डेटासेट में मूल स्कैन, मनुष्यों द्वारा लिखे गए सही पाठ और एक संरचित मानचित्र शामिल था जो यह दर्शाता था कि पाठ का कौन सा हिस्सा किस श्रेणी (जैसे कि खोज का स्थान या मिट्टी के बर्तन का प्रकार) से संबंधित है।
इसके बाद शोधकर्ताओं ने यह परीक्षण करने के लिए पांच अलग-अलग आर्टिफिशियल इंटेलिजेंस मॉडल का परीक्षण किया कि क्या वे बिना किसी सहायता के इन दस्तावेजों को पढ़ सकते हैं। ये मॉडल वही तकनीक हैं जिनका उपयोग अन्य क्षेत्रों में लिखावट पढ़ने के लिए किया जाता है, लेकिन जब टीम ने बिना किसी प्रशिक्षण के इन मिट्टी के बर्तनों के रिकॉर्ड पर उन्हें आज़माया, तो परिणाम खराब रहे। कंप्यूटर ने लगभग हर एक रिकॉर्ड में गलतियाँ कीं, अक्षरों और संख्याओं को इतनी बुरी तरह से गलत पढ़ा कि वे सही जानकारी निकालने में विफल रहे। त्रुटि दर इतनी अधिक थी कि मशीनें मूल रूप से अनुमान लगा रही थीं, और पुरातत्वविदों द्वारा प्रतिदिन उपयोग किए जाने वाले विशिष्ट संक्षिप्त रूपों और प्रतीकों को पहचानने में विफल रहीं। इसने पुष्टि की कि केवल मौजूदा तकनीक को इस समस्या पर लागू करना पर्याप्त नहीं था; कंप्यूटरों को पुरातत्वविदों की विशिष्ट भाषा सिखानी होगी।
इसे ठीक करने के लिए, टीम ने 'फाइन-ट्यूनिंग' नामक विधि का प्रयास किया, जो कंप्यूटर को विशिष्ट विषय वस्तु पर एक संक्षिप्त, गहन पाठ्यक्रम देने जैसा है। मशीन को हजारों उदाहरण दिखाने के बजाय, जो बनाने में वर्षों लग जाते, उन्होंने उसे पहले से ही मनुष्यों द्वारा सुधारे गए मिट्टी के बर्तनों के केवल 57 उदाहरण दिखाए। उन्होंने कंप्यूटर की आंतरिक सेटिंग्स को थोड़ा समायोजित किया ताकि यह उन अभिलेखों में पाई जाने वाली अनूठी लिखावट और संक्षिप्त रूपों को समझ सके। यह परिवर्तन नाटकीय था। इस संक्षिप्त प्रशिक्षण के बाद, मॉडल अनुमान लगाना बंद कर दिए और उच्च सटीकता के साथ पढ़ने लगे। त्रुटि दर 30 प्रतिशत से गिरकर 2 प्रतिशत से भी कम हो गई। कंप्यूटर अब खोज स्थान, बर्तन के प्रकार और माप को लगभग 90 प्रतिशत की सफलता दर के साथ सही ढंग से पहचान सकते थे।
अध्ययन ने यह भी पता लगाया कि इस प्रक्रिया को वास्तविक दुनिया के उपयोग के लिए विश्वसनीय कैसे बनाया जाए। चूंकि कंप्यूटर पूर्ण नहीं होते, इसलिए शोधकर्ताओं ने एक ऐसी प्रणाली विकसित की जहाँ दो अलग-अलग मॉडल एक ही दस्तावेज़ को पढ़ते हैं और अपने उत्तरों की तुलना करते हैं। यदि दोनों मॉडल किसी जानकारी पर सहमत होते हैं, तो सिस्टम उसे सही मान लेता है। इस सरल जाँच ने टीम को आधे से अधिक दस्तावेजों के परिणामों पर स्वचालित रूप से भरोसा करने की अनुमति दी, जबकि कठिन मामलों को मानवीय समीक्षा के लिए चिह्नित किया गया। इस दृष्टिकोण का अर्थ है कि विशेषज्ञों की एक छोटी टीम अब मैन्युअल रूप से करने में लगने वाले समय के एक अंश में एक विशाल संग्रह को संसाधित कर सकती है। शोधकर्ताओं ने पाया कि प्रारंभिक प्रशिक्षण उदाहरण बनाने के लिए विशेषज्ञ के बहुत कम समय के साथ, वे दशकों के हस्तलिखित रिकॉर्ड को अनलॉक कर सकते हैं।
परिणाम दर्शाते हैं कि इन अभिलेखों के डिजिटलीकरण में बाधा तकनीक की कमी नहीं, बल्कि विशिष्ट प्रशिक्षण डेटा की कमी है। यह सिद्ध करके कि कंप्यूटर को इन विशिष्ट नोट्स को पढ़ाने के लिए उदाहरणों का एक छोटा, सावधानीपूर्वक क्यूरेट किया गया सेट पर्याप्त है, शोधकर्ताओं ने दुनिया भर के अभिलेखों के लिए द्वार खोल दिए हैं। 'सेंटुरिया' डेटासेट और इस अध्ययन में विकसित विधियाँ पुराने, हस्तलिखित रेखाचित्रों को एक जीवित, खोजने योग्य डेटाबेस में बदलने के लिए एक ब्लूप्रिंट प्रदान करती हैं। इसका अर्थ है कि इतिहासकार जल्द ही अतीत के बारे में जटिल प्रश्न पूछ सकेंगे, जैसे कि मिट्टी के बर्तनों की शैलियाँ समय के साथ कैसे बदलीं या व्यापार मार्ग कैसे बदले, और लाखों रिकॉर्डों के माध्यम से खोज करके उत्तर प्राप्त कर सकेंगे जो पहले स्याही और कागज में बंद थे। यह कार्य प्रदर्शित करता है कि सही दृष्टिकोण के साथ, अतीत की लिखावट में छिपी कहानियों को अंततः भविष्य की मशीनों द्वारा सुना जा सकता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।