Texterkennung mit KI: Ein Projekt des Saarländischen Landesarchivs

von Susanne Schmolze, Landesarchiv Saarbrücken

Den Abschluss der Sektion 2 “Archive als Digitale Orte” bildet ein Vortrag von Susanne Schmolze, Archivrätin am Saarländischen Landesarchiv. Einleitend führt sie aus, dass immer mehr Archive KI-Tools erproben. Dies ist teil einer übergeordneten Entwicklung die Erschließung und Bereitstellung von Archivmaterialien zur zentralen Aufgabe für Archive macht. Auch das Saarländische Landesarchiv hat verschiedene Inhalte auf unterschiedlichen Plattformen zugänglich gemacht. Gegenstand des Vortrags ist ein Pilotprojekt zur Texterkennung handschriftlicher Texte mittels KI, welches am Landesarchiv Saarbrücken durchgeführt wurde. Dabei wurde zunächst das öffentlich zugängliche Modell Transkribus verwendet, da es übersichtlich und einfach zu nutzen ist sowie gute Ergebnisse liefert. Erste Ergebnisse dieses Projekts zur KI-basierten Handschriftenerkennung (Handwritten Text Recognition, HTR) konnten im Herbst 2023 veröffentlicht werden.

Der Vortrag gliedert sich in drei Teile. Zunächst wird die ausgewählte Quelle vorgestellt, dann die Projektergebnisse und schließlich wird ein Ausblick auf geplante Folgeprojekte gegeben.

Der Workflow des durchgeführten Pilotprojektes gliedert sich in die Auswahl der Quelle und Vorbereitung des Projektes, dann eine Transkription und das Modelltraining an die sich schließlich die Überarbeitung und Veröffentlichung anschließen.

Anlass für das Projekt gab das anstehende Jubiläum der zweiten Saarabstimmung und des Beitritts des Saarlandes zur BRD (1955-1959) und das antizipierte öffentliche Interesse daran. Als Textbasis ausgewählt wurden die Protokolle der Saarländischen Verwaltungskommission. Diese amtierte von Oktober 1946 bis Dezember 1947 unter der Aufsicht der französischen Militärregierung als provisorisches Kabinett. 142 Sitzungen der Verwaltungskommission fanden statt, bevor sie mit dem Inkrafttreten der Verfassung 1947 durch eine reguläre Regierung abgelöst wurde. Die Sitzungsprotokolle sind handschriftlich in drei Bänden überliefert und befinden sich im Landesarchiv. Somit war eine interne Digitalisierung möglich. Zudem handelt es sich mit 400 Doppelseiten um einen überschaubaren Umfang und die Protokolle zeichnen sich durch seltene Schreiberwechsel und klare Handschriften aus.

Nach der Digitalisierung wurden zunächst einige Testläufe mit öffentlichen Modellen gestartet und so Trainigsdaten erzeugt. Das letztendlich genutzte öffentliche Modell – Transkribus German Handwriting  M1 – wurde mit Daten im Umfang von circa 17.000 Wörtern trainiert. Dafür erfolgte eine sorgfältige manuelle Korrektur der erstellten Transkriptionen im Transkribus-Texteditor. Dieses Material wurde dann wiederum für das Training eines eigenen Modells genutzt, das für die Transkription des restlichen Textes zur Anwendung kam.

In diesem Fall wurde die vom KI-Modell erstellte Rohfassung der Transkription als Word-Datei exportiert und eine erstkorrigierte Arbeitsfassung erstellt. Dabei wurden zunächst nur auffällige Mängel hinsichtlich Orthografie, Zeichensetzung, Sonderzeichen und Zahlen sowie Abkürzungen korrigiert. Im nächsten Schritt wurde der erstellte Text – ebenfalls in Word – formatiert, mit einem umfassenden Inhaltsverzeichnis versehen und als PDF/A gespeichert. Auf diese Weise wurde eine höhere Übersichtlichkeit und Nutzer:innenfreundlichkeit erreicht. Den größten Bearbeitungsaufwand nahmen jeweils die Überarbeitung im Transkribus Texteditor und die Überarbeitung in Word ein — zusammen fast 90% der aufgewendeten Zeit. Bearbeitungszeiten im KI-Modell konnten von der jeweiligen Serverauslastung abhängen.

Die so transkribierten Sitzungsprotokolle wurden auf der Webseite des Landesarchivs Saarbrücken zugänglich gemacht. Dabei stand der Fokus zum einen darauf, die Textgenese nachvollziehbar und Erfahrungswerte zugänglich zu machen, zum anderen einen Vergleich zwischen Transkription und Vorlage zu gewährleisten und schließlich die inhaltliche Auswertung der Quelle durch die Forschung zu ermöglichen. Diesen Zielen wurde Rechnung getragen, indem erstens die Scans der handschriftlichen Sitzungsniederschriften, zweitens die unkorrigierten Transkriptionen des eigenen Modells und drittens die erstkorrigierte Fassung der Niederschriften nebeneinander auf der Webseite veröffentlicht wurden.

Die Textversion, also die korrigierte Fassung der Transkription, verfügt zusätzlich über umfangreiche Navigationsmöglichkeiten, welche das bereits erwähnte Inhaltsverzeichnis ebenso umfassen wie eine Volltextsuche und die Möglichkeit zum Setzen von Lesezeichen.

Aufgrund seiner Aktualität und dem erwarteten öffentlichen Interesses wird das Projekt selbstverständlich auch für die Öffentlichkeitsarbeit des Landesarchivs verwendet. Dies umfasst nicht nur Zeitungsberichte und Internetbeiträge, sondern auch die Präsentation des Pilotprojektes auf Tagungen wie dem Rheinischen Archivtag. Das Pilotprojekt soll Modell für die Digitalisierung und Transkription weiterer Bestände sein, zeigt diesbezügliche Potentiale auf, kann es in Zukunft Archivar:innen ermöglichen, weniger Zeit in die Transkription von Quellen investieren zu müssen und baut zudem Nutzbarkeitshürden für weniger geübte Nutzende ab. Außerdem verschaffen Pilotprojekte wie dieses dem Landesarchiv, seinen Beständen und der Geschichte des Saarlandes auch eine breite mediale Sichtbarkeit.

In der Diskussion wird aus dem Publikum gefragt, ob ein kostenloses Modell von Transkribus genutzt wurde oder nicht, und wenn nein, welches bezahlpflichtige Modell. Und auch ob das Modelltraining im Basiszugang funktioniert. Frau Schmolze antwortet, dass für das Kennenlernen des Programms die kostenlose Version durchaus ausreicht, die bezahlpflichtigen Modelle unterschiedliche Kontingente umfassen und das Training des Modells im persönlichen Nutzer:innenaccount erfolgt. Eine weitere Frage richtet sich darauf, inwiefern sich der Wechsel der Handschrift bzw. des oder der Schreibenden auf die Treffsicherheit der Texterkennung durch ein KI-Modell auswirkt. Frau Schmolze antwortet, dass das tatsächlich ein Problem sein kann und die das KI-Modell tatsächlich am zuverlässigsten funktioniert, wenn die zu transkribierenden Texte überwiegend von einer Person verfasst wurden. Eine dritte Frage zielt darauf ab, ob die Version von 2023 von Transkribus überhaupt noch mit der heutigen vergleichbar sein kann und wie schnell sich dies weiterentwickelt. Ebenso ob alle Nutzenden auf alle trainierten Modelle zugreifen können. Frau Schmolze antwortet, dass sich Transkribus selbstverständlich weiter entwickelt, trainierte Modelle aber freigeschaltet werden müssen, damit sie für alle Nutzenden frei zugänglich sind, ansonsten bleiben sie im eigenen Account. Zudem wird gefragt wie groß der Trainingsblock für ein Transkribus-Handschriftenmodell sein sollte. Frau Schmolze antwortet, dass Transkribus einen Textblock von mindestens 15.000 Wörter dafür empfiehlt, damit die Software ausreichend Beispiele hat, um Muster zu erkennen und zu lernen.

 

KI in Archiven – Potentiale und Risiken

von Dennis Gräff, fme AG

Das erklärte Ziel des Vortrages von Dennis Gräff ist es vor allem, Interesse am Einsatz von KI zu wecken und Hemmschwellen abzubauen.

Zunächst greift Herr Gräff auf eine Definition von KI des Europäischen Parlaments zurück: Künstliche Intelligenz sei demnach die Fähigkeit einer Maschine, menschliche Eigenschaften wie logisches Denken, Lernen, Planen und Kreativität zu imitieren. Allerdings mit der Einschränkung, dass KI nicht tatsächlichen denken und begreifen kann. Daneben fehlt künstlicher Intelligenz die Möglichkeit ihr „Wissen“ einzuordnen. Deshalb kann KI keine Verantwortung übernehmen und menschliche Arbeit vollständig ersetzen.

Das wirft die Frage auf, wieso KI für Archive jetzt relevant ist. Die Antwort hierauf ist, dass Künstliche Intelligenz vor allem zur Übernahme von Routineaufgaben eingesetzt werden kann. Sie ist als Entlastung für Menschen einsetzbar, sodass bei steigenden Datenmengen von etwa 23% pro Jahr dennoch Kapazität für menschliche Entscheidungen bleiben kann.

Im Folgenden werden exemplarisch eine ganze Bandbreite aktueller Einsatzmöglichkeiten für KI für Kernaufgabe der Archive präsentiert, gegliedert in drei Aufgabenteile:

  1. Ingest: die Aufnahme und Beschreibung von Unterlagen;
  2. Access: die Nutzung, Recherche und Informationsbereitstellung und
  3. Preservation: der Formerhalt, Integrität und Authentizität von Archivgut.

Als Beispiel im Rahmen des “Ingest” hat ChatGPT ein Bild mit der Randinformation, dass es sich um ein Bild aus einem Archiv handelt, bekommen. Die Aufgabe der künstlichen Intelligenz war es, das Bild zu Beschreiben und den Standort zu ermitteln. Der Standort und die Beschreibung stellt sich als erstaunlich präzise heraus, insbesondere die zeitliche Einordnung ist überraschend genau und nachvollziehbar. Daneben kann KI zur Zusammenfassung von Texten oder zur Verschlagwortung verwendet werden, wie am Beispiel eines Presseberichts zur Kooperation zwischen ZDF und dem Bundesarchiv gezeigt wird. Als Schlagwortgruppen kommen neben dem Dokumenttyp und betroffenen Institutionen beispielsweise auch Personen oder übergeordnete Themen in Frage, die durch KI deutlich schneller erfasst werden können, als es durch manuelle Arbeit möglich ist. Allerdings müssen teilweise nachträglich die Eingaben an die KI präzisiert werden. Ein weiterer Anwendungsfall künstlicher Intelligenz findet sich in der Transkription von Handschriften oder Übersetzung anderssprachlicher Dokumente. Hierfür existieren spezialisierte und trainierte Tools, die deutlich effizienter arbeiten als allgemeine KI-Modelle. Zusätzlich zur Verschlagwortung ist der Einsatz von KI möglich um sensible Informationen und schutzfristenrelevante Zusammenhänge hervorzuheben, die andernfalls mit erheblich mehr Aufwand herauszuarbeiten sind. Das gilt insbesondere bei großen Textmengen. Dadurch kann unter anderem Vermieden werden, schützenswerte Informationen aus Versehen herauszugeben. Weiterhin kann KI zur Recherche eingesetzt werden und die Arbeit für Archivar*innen durch die Identifizierung wichtiger Zusammenhänge erleichtern, indem aufwändige eigenständige Recherchen reduziert werden. Als letzte präsentierte Anwendung wird auf die Nutzung im Rahmen der “Preservation” verwiesen: KI kann bei der Konvertierung eingesetzt werden, beispielsweise um Komprimierungsverluste festzustellen, die Qualität von Bild und Ton zu überprüfen oder Störgeräusche zu erkennen.

Die vielfältigen Einsatzmöglichkeiten von KI im Archiv sind allerdings kein problemloser Selbstläufer. Mögliche Grenzen im Einsatz können in der fehlenden Nachvollziehbarkeit der Aussagen der KI liegen (sog. Blackbox), in der Erzeugung plausibler, aber falscher Inhalte (sog. Halluzinationen) oder in der Reproduktion vorhandener Vorurteile (sog. Bias). Diese drei Schwachstellen zeigen, dass der Einsatz von KI nicht unkontrolliert oder planlos erfolgten darf. Allerdings ist es möglich, diese Problematiken durch effektive Qualitätskontrollen zu erkennen, beheben und ihnen vorzubeugen. Daneben ist insbesondere der Punkt Datenschutz und Datensicherheit bei der Verwendung von offenen Tools zu beachten, da die meisten Anwendungen außerhalb Europas sitzen. Auch Deepfakes stellen ein Risiko des KI-Einsatzes da, allerdings kann KI ebenfalls zur Erkennung von Deepfakes verwendet werden.

Zum Abschluss des Vortrags fasst Gräff zusammen, dass der Einsatz von künstlicher Intelligenz als positive Herausforderung verstanden werden kann, mit der man sich auseinandersetzen sollte. Frei nach dem Motto „Übung macht den Meister“ sollte KI als Chance gesehen werden, mit der man sich auseinandersetzen kann und sollte, wenn man sich der Risiken bewusst ist. Allerdings ist ein planloser Einsatz zu vermeiden. Stattdessen ist es sinnvoll vorher zu klären, welche Aufgaben KI wann und in welchem Umfang übernehmen soll oder welche technischen Voraussetzungen zu beachten sind. Als Schlusswort stellt Dennis Gräff fest, dass sich jeder an KI versuchen kann und es nie schadet, sich Unterstützung zu holen.

 

In der Diskussionsrunde wird gefragt, wie die Lernkurve der KI aussieht, ob man KIs von 2023 mit welchen von 2025 vergleichen kann und was mit den Informationen passiert, mit denen jeder KI füttert. Herr Gräff antwortet darauf, dass diese Informationen bei kostenlosen Modellen in den meisten Fällen verwendet werden, um die Modelle weiter zu trainieren. Bei nicht kostenfreien KI-Modellen kann das allerdings variieren. Da KI, insbesondere ChatGPT, sehr schnell trainiert wird, kann es sogar innerhalb weniger Wochen zu unterschiedlichen und möglicherweise ausdifferenzierteren Antworten kommen.