Százmillió oldalnyi régi újság vált kereshetővé az Arcanum adatbázisában. Biszak Sándor, az Arcanum alapítója és vezetője a Jazzy Rádió FM90.9 Business Class műsorában a pincéből előkerült Népszavától az arckeresésig mutatta meg, hogyan lett a floppylemezes kiadásból európai méretű sajtóarchívum.
„Bölcsész szakdolgozat és doktori disszertáció ma már aligha készül el az Arcanum nélkül.”
Az alábbi cikk AI összefoglaló a műsorban elhangzott beszélgetés alapján. Kövesd velünk a legújabb AI trendeket! De… Pontos információkért hallgasd a rádiót, vagy hallgasd/nézd újra a hang és videó anyagainkat!
Hogyan lett a floppylemezes bibliakiadásból százmillió oldalas, kereshető sajtóarchívum.
A budapesti gyűjtemény ma az egyik legnagyobb európai adatbázisnak számít, és több mint harminc nyelven őriz anyagot. Országos napilap, megyei hetilap és kisvárosi híradó egyaránt bekerült a sorba. A kereső minden szóra, névre és helyre lecsap, ezért sok olvasó a saját családnevével kezdi a böngészést.
A munka a kilencvenes évek fordulóján indult, amikor az adat még floppyra került.
A Verstár ötven költő összes versét vitte CD-re, a bibliai kiadás tizenhárom fordítást fogott össze, és a sorozat később több mint háromszáz korongra hízott. A Vasárnapi Újság 1854 és 1921 közötti, hetven évfolyamos anyagát eleinte begépelték, öt-hat évfolyamnál azonban elfogyott a kézi munka. A Google Books szkennelős, szövegfelismerős módszere adta a kiutat: az oldalt beolvasták, a betűből kereshető szöveg lett.
A Népszava hozta az igazi áttörést, egy dohos pincéből előkerült teljes sorozattal.
A lapot elvihették, és viszonylag rövid idő alatt beszkennelték az 1870-es évek óta gyűlő állományt. Utána sorra került a Pesti Napló, a Pesti Hírlap, a Népszabadság és a Magyar Hírlap. A napilap azért húz tömeget, mert személyes marad: benne a szomszéd, a felmenő, a kerületi vita és a gyári baleset.
Románia felől nyílt a külföldi folytatás, egy ottani igazgató egyszerű kérdésére.
Nagyszeben megyei könyvtárának hatalmas állományán négy-öt éve dolgoznak, a legolvasottabb román napilapok és hetilapok már fent vannak. Csehszlovák, lengyel és volt szovjet tagköztársasági anyag is bekerült, türkmén, azeri és üzbég lapokkal együtt. New Brunswick nagy magyar könyvtárának állományát hazahozták, mert ott már kevesen olvasták magyarul, és örültek, hogy közkinccsé válik.
A használat otthon kezdődik, a saját névvel, aztán a felmenők nevével.
A helytörténész a falu, a kerület vagy a város nyomát keresi, a kutató forrást. Bölcsész szakdolgozat és doktori disszertáció ma már aligha készül el az Arcanum nélkül. A mikrofilmes nyomozó a filmekben végigpörgeti a tekercset, itt egy név vagy egy utca elég a találathoz. Sok digitalizálás ott akad el, hogy a szkennelés megvan, a kereső viszont elmarad.
A fennmaradt sajtó nagyjából nyolcvan százalékát tartják feldolgozottnak, a becslés viszont évről évre ugyanott áll.
A kinyomtatott lapok egy része eltűnt, a műhelytapasztalat szerint a valaha megjelent sajtótermékek 25-30 százaléka már sehol sincs meg. A Tolnai Világlapja legendás polgári olvasmány volt, 1921-es évfolyama mégsem került elő, és egyre kisebb az esély, hogy egy padlásról még kibukkan. Az amerikai magyar kiadványok 1880-tól máig meglepték a gyűjtőket a mennyiségükkel, ezért a nyolcvan százalék jövőre is elhangozhat.
Két-három éve arckeresés is fut a rendszerben, folyóirat-adatbázisok között egyedülálló módon.
A nagypapa fotóját fel lehet tölteni, és a program akkor is megtalálja, ha a neve hiányzik a képaláírásból, csoportképen vagy portréban egyaránt. Ismeretlen fotóról jó eséllyel megmondja, ki áll a képen. A filmintézet némafilmjein megállítják a kockát, kivágják a szereplő arcát, és színházi lapokban, a Délibábban vagy más filmiratban azonosítják.
A mikrotörténet innen kap nyersanyagot, egyetlen személyen át a nagyobb eseményig.
Az 1848. március 17-i Pesti Hírlap közli a Nemzeti dalt, és beszámol arról, hogy Petőfi Sándor két nappal korábban elmondta-e. Az aradi vértanúk kivégzésének híre ugyanígy lapozható a korabeli tudósításokban. Egy téglagyáros történetét a Pesti Hírlap autóütéses cikkéből rakták össze a kutatók: a név és a baleset egy hasábban ült.
A családfakutatóknak ez az első forrás, az anyakönyv után a történet következik.
Az Egyesült Államokban a mormon egyház köreihez kötődő adatbázisok az anyakönyvekből indultak, és mára az újságokhoz nyúlnak a családi elbeszélésekért. Közel egy éve közös digitalizálás folyik velük, mert kelet-európai lapjuk és kelet-európai történetük eddig hiányzott. A felmenőkről szóló híreket az újságokból már ki tudják adni, az anyakönyvek feldolgozása későbbre maradt.
A papír még mindig kézbe kerül, mielőtt a szkennerhez érne.
Minden frissen érkező újságba belenéznek a műhelyben, és egy-egy cikk képes megállítani a napi sort. A hetvenes évekbeli Ludas Matyi azt írta, hogy az angoloknak nincs keverőcsapjuk, és egy észak-írországi út igazolta a régi viccet: a mosdóban külön folyt a hideg és a meleg. A keresés függőséget okoz, ezt a felhasználóknak is elmondják, mielőtt belevesznek egy családnévbe.
Két nagy terv fut most, az egyik a csehszlovák állomány szélesítése.
A prágai cseh nemzeti könyvtárban és a szlovák nemzeti könyvtárral együttműködve jelenleg ez a legnagyobb tömeg. A másik terv egyelőre álom: közös munka a magyar nemzeti könyvtárral, mert a hiányzó húsz százalék zöme kizárólag ott található. A lapok döntő része visszakerül a küldő könyvtárba, gyakran jobb állapotban, mint ahogy elhozták, a megszűnt gyűjtemények papírjának pedig alapítványnál vagy magánszemélynél keresnek helyet.
Mikor érte el az Arcanum a százmillió oldalt? A folyamatos szkennelés és szövegfelismerés után a gyűjtemény átlépte a százmillió oldalt, és ezzel az egyik legnagyobb európai sajtóadatbázis lett.
Mire használják leginkább a keresőt? Az olvasók a saját nevükkel és a felmenőik nevével kezdenek, a helytörténészek falut és várost kutatnak, a bölcsész szakdolgozatok és doktori munkák pedig forrásként támaszkodnak rá.
Mi hiányzik még a teljes magyar sajtóarchívumból? A fennmaradt anyag nagyjából nyolcvan százalékát tartják feldolgozottnak, a hiányzó húsz százalék zöme a magyar nemzeti könyvtár állományában van, a közös digitalizálás egyelőre terv.
A kérdés és a válasz között a modell olyan utat jár be, amit a felhasználó alig lát. Döntési helyzetben ez a homály már kockázat, mert a gép statisztikai választ ad, a felelősség pedig az embernél marad. „A human in the loop elv szerint a felelősség az embernél marad, bármit írjon is ki a gép.” https://lmzem.hu/playaudio.mp3?path=2%2Fpublic%2Fpodcast%2F1ed8b41b-3d20-6d10-b4d2-d1aee33598f9%2Fepisode%2F1f1c1471-7927-63c8-a091-5113bbfec120%2Fdownload Farkas Athéne, a Mesterséges Intelligencia Etika Fórum (MIEF) kutatási és szakértői vezetője a mesterséges intelligencia […]
