Transkribering och modellträning för svensk historisk text

Riksarkivet förvarar över 750 000 hyllmeter analogt arkivmaterial från medeltiden till nutid. Därutöver finns hos oss miljontals kartor och ritningar. En stor del av detta material utgörs av handskrivna dokument. För att göra dessa enorma mängder tillgängliga för forskning räcker det inte att bara skanna och fotografera sidorna. De måste också kunna läsas och sökas maskinellt. Hur gör vi århundraden av handskrift maskinläsbart?

Teknologin vi använder kallas HTR (Handwritten Text Recognition eller automatiserad handskriftstolkning). Till skillnad från traditionell OCR (Optical Character Recognition), som är anpassad för tryckta böcker med standardiserade typsnitt, bygger HTR på artificiell intelligens och maskininlärning. Modellerna tränas för att tolka variationerna i äldre tiders handstilar, språkformer och förkortningar med hänsyn till originalmaterialets struktur och form.