L'IA s'attaque aux secrets du Vatican

Les Archives secrètes du Vatican sont légendaires. Occupant apparemment quelque 85 kilomètres de rayonnages dans la Cité du Vatican, ils contiennent des lettres privées et d'autres documents d'anciens papes, dont certains remontent au VIIIe siècle.

Les archives sont étroitement gardées. Depuis 1881, cependant, les chercheurs ont eu un accès limité à certains des documents, et même cela a révélé beaucoup de choses.

Par exemple, il y a un rouleau de 60 mètres détaillant les procès des Templiers, qui ont commencé en 1307 et ont duré plusieurs années. Il y a des lettres à divers papes de Michel-Ange; d'Henri VIII, demandant une annulation de mariage; et de Marie, reine d'Écosse, implorant l'intercession avant sa décapitation.

Les archives contiennent également des correspondances plus récentes, telles que des lettres d'Abraham Lincoln et de Jefferson Davis tentant de persuader le pape Pie IX de favoriser respectivement l'Union et la Confédération. Ensuite, il y a les documents relatifs au pape Pie XII et à ses relations avec le régime nazi pendant la Seconde Guerre mondiale, qui n'ont jamais été publiés. En effet, tous les enregistrements à partir de 1939 sont entièrement secrets.

Bien que la publication des documents soit interdite, les archives disposent de leurs propres studios de photographie et de conservation. Et comme de nombreuses archives historiques à travers le monde, ils ont commencé à enregistrer des images de certains documents pour les préserver et permettre une étude plus approfondie.

Mais les archives du Vatican sont si volumineuses qu'il est impossible de les transcrire à la main dans un délai raisonnable. La vision artificielle pourrait-elle aider?

Aujourd'hui, nous obtenons une réponse grâce au travail de Donatella Firmani de l'Université Roma Tre en Italie et de quelques collègues. Ces gens ont commencé un projet appelé Dans le rapport de code (Latin pour The Code System), qui vise à transcrire automatiquement une partie des Archives secrètes du Vatican appelées les Registres du Vatican.

Ce corpus se compose de plus de 18 000 pages de correspondance officielle du XIIIe siècle entre l'Église catholique et les rois, les reines et les institutions politiques et religieuses à travers l'Europe. N'ayant jamais été transcrits dans le passé, ces documents sont d'une pertinence historique sans précédent, affirment Firmani et co.

Les textes médiévaux posent un problème unique pour la vision artificielle. Les algorithmes conventionnels de reconnaissance optique de caractères ne fonctionnent pas bien, car les manuscrits sont écrits dans des styles variés avec différentes ligatures (caractères qui combinent des lettres adjacentes) et avec des abréviations idiosyncrasiques.

Pour contourner cela, les chercheurs ont développé des systèmes de vision artificielle qui reconnaissent des mots entiers plutôt que des lettres. Mais cela est loin d'être satisfaisant, car la plupart des mots n'apparaissent que quelques fois même dans de longs documents. Il est donc difficile de créer des ensembles de données à partir desquels les machines peuvent apprendre.

Maintenant, Firmani et co ont mis au point une nouvelle façon de former un système de reconnaissance optique de caractères qui divise chaque mot en une série de traits, qui s'emboîtent comme un puzzle. Notre objectif est de développer un système à part entière qui transcrira autant que possible à partir des manuscrits, disent-ils.

Après avoir divisé chaque mot en traits, le système tente de les assembler pour former des lettres connues, puis analyse toutes les permutations potentielles de lettres. Enfin, il exclut tous ceux qui ne sont pas grammaticaux.

Par exemple, un motif commun de traits peut être interprété comme iii ou comme m, mais le premier peut être exclu comme grammaticalement inadmissible. Les mêmes traits peuvent également représenter in ou ni, et pour décider entre eux, le système doit étudier le mot et son contexte de plus près.

La première étape de Firmani and co a été de créer un ensemble de données pour former un système de vision artificielle basé sur un réseau de neurones. Cet ensemble de données doit être étiqueté afin que le système puisse apprendre quelles lettres sont représentées par différentes combinaisons de traits.

Firmani et co ont utilisé le crowdsourcing pour compléter cette annotation. Ils ont présenté la segmentation des mots en puzzle comme un problème de reconnaissance de formes à 120 lycéens, un peu comme les puzzles Captcha. Ensemble, les étudiants ont étiqueté manuellement un ensemble de données d'entraînement de 15 000 caractères en quelques heures.

Les résultats sont impressionnants. Nous avons pu générer la transcription exacte de 65 % des images de mots de notre ensemble de données, disent Firmani et co.

C'est une avancée importante pour la transcription de textes médiévaux et pour les historiens en général. Cependant, il reste encore du travail à faire. Par exemple, la transcription fonctionne avec des lettres minuscules, donc un prochain objectif important est d'étendre le vocabulaire pour inclure des lettres majuscules et certaines des nombreuses abréviations utilisées dans le texte médiéval.

La manière dont les Archives secrètes du Vatican utiliseront cette technologie n'est pas encore claire. On ne sait pas non plus si les registres du Vatican seront publiés lorsqu'ils seront transcrits.

Mais même s'ils ne le sont pas, les outils que Firmani et co développent devraient permettre aux chercheurs de progresser. Par exemple, ils permettent une étude basée sur les données de documents historiques qui pourraient examiner les fréquences de mots ou de phrases, par exemple, et leur évolution dans le temps. Cela peut fournir des informations culturelles importantes.

Il sera fascinant de voir si le Vatican décide de partager cette connaissance ou de la cacher.

Réf : arxiv.org/abs/1803.03200 : Vers la découverte des connaissances à partir des archives secrètes du Vatican. In Codice Ratio – Épisode 1 : Transcription automatique des manuscrits.

cacher