OCR4all

Modernes Tool für historische Texte

Als Gutenberg vor knapp 600 Jahren den Buchdruck erfand, galt das als technologische Revolution. Im Laufe der Jahrhunderte bekamen immer mehr Menschen Zugriff auf Bücher, Zeitungen und diese Weise auch Bildung. Ende des 20. Jahrhunderts folgte dann das, was wir als „digitale Revolution“ bezeichnen. Im Jahr 2019 besitzt fast jeder ein Smartphone mit Internetzugriff und hat damit den Zugang zu allem Wissen der Welt. Alles Wissen der Welt? Nun ja, zwar ist beispielsweise der Großteil mittelalterlicher und frühneuzeitlicher Texte mittlerweile digitalisiert und online in Form von hochauflösenden Scans verfügbar, für jeden lesbar sind die Werke damit aber noch lange nicht. Das Problem der Rezeption liegt in der Überführung der alten Schriften in einen für Computer lesbaren Text. Wissenschaftler*innen der Uni Würzburg ist es nun gelungen, eine Texterkennungssoftware zu entwickeln, die digitalisierte historische Schriften in eine moderne Form bringt und diese somit für den Computer und Nicht-Fachleute lesbar macht. Das Tool trägt den Namen OCR4all, eine Abkürzung für Optical Character Recognition, d. h. optische Zeichenerkennung – und die eben für alle und von allen nutzbar. Das Forschungsprojekt fungiert damit nicht nur als Brücke zwischen Text und Rezipient*in, es bildet auch eine interdisziplinäre Schnittstelle zwischen den Geisteswissenschaften und der Informatik.  Einer, der von Anfang an dabei war, ist Maximilian Wehner. Neben seiner Promotion arbeitet er seit 2019 nun auch als wissenschaftlicher Mitarbeiter am Lehrstuhl für Künstliche Intelligenz und Angewandte Informatik sowie als Lehrbeauftragter für Ältere deutsche Literatur am Institut für deutsche Philologie. Er hat uns einige Fragen zum neuen Tool beantwortet.

Sprachrohr: Was ist das Geheimnis, das es OCR4all ermöglicht, Zeichen und Buchstaben zu erkennen, die andere Texterkennungsprogramme bisher nicht erkennen konnten?

M. Wehner: Das Geheimnis des Tools liegt wahrscheinlich in seiner Gesamtkonzeption. Es gibt nämlich bereits seit einigen Jahren bestimmte Technologien und Konzepte aus dem Bereich der Künstlichen Intelligenz, die es theoretisch ermöglichen, auch sehr früh entstandene Drucke aus dem 15. und 16. Jahrhundert zu erschließen und in maschinenlesbare Texte umzuwandeln. Wichtige Stichworte sind hier das sog. Deep Learning und Neuronale Netze. Anders als andere Anwendungen jedoch zielt OCR4all genau darauf ab, in einem geschlossenen Workflow bestimmte Technologien, Tools und Module zu vereinen, die bisher nur separat voneinander existiert haben – und diese dann auch noch so zu gestalten, dass sie von nicht-informatisch geschulten Nutzer*innen eigenständig bedient werden können. Und dieser Prämisse folgend ergaben sich dann eben Lösungsansätze für bestimmte Probleme, die vorher in der Form nicht diskutiert oder getestet wurden. Beispielsweise kann nun jede/r Nutzer*in mithilfe unserer Software sog. werkspezifische Erkennungsmodelle selbst trainieren, die bezogen auf das zu bearbeitende Werk dessen Besonderheiten, seien es die Layoutgestaltung, die Druckqualität oder die verwendeten, oft sehr spezifischen Zeichen und Buchstaben inkorporieren, ständig dazulernen und so für Zeichen- und damit Texterkennungsraten von über 99% sorgen. 

Sprachrohr: Wie lange hat die Entwicklung von OCR4all insgesamt gedauert? 

M. Wehner: Die Entwicklung ist noch lange nicht abgeschlossen! Natürlich gibt es seit längerer Zeit eine frei verfügbare Version. Doch je häufiger die Software verwendet wird, je mehr Nutzer*innen – seien es Informatiker*innen, DH-Spezialist*innen oder auch Literaturwissenschaftler*innen – Rückmeldungen und Anregungen geben, desto mehr wird deutlich, dass im positivsten Sinne immer noch Luft nach oben ist. Vielleicht ist da auch so etwas wie Pioniergeist im Spiel, aber es ist einfach schön zu sehen, wie die Anwendungen aus einem sehr spezifischen Anwendungskreis hier an der Uni hinauswachsen ist und plötzlich weltweit genutzt wird.

Sprachrohr: Finden Sie es früh oder spät, dass ein solches Tool im Jahr 2019 und damit mehr als 25 Jahre nach der „Digitalen Revolution“ erscheint? 

M. Wehner: Alles zu seiner Zeit! Manchmal benötigt man für bestimmte Dinge – und so eben auch für technische Neuerungen – wahrscheinlich bestimmte Entwicklungskontexte, die nicht immer und überall aus dem Boden wachsen. Und dann braucht es immer auch noch Leute, die den Ehrgeiz besitzen, gemeinsam über lange Zeit an Problemen zu arbeiten, die sich nicht von heute auf morgen lösen lassen.

Sprachrohr: Wie viele Personen stellt das Forschungsteam und wie kann man sich die interdisziplinäre Zusammenarbeit vorstellen? 

M. Wehner: So genau lässt sich das gar nicht beziffern, da über die Jahre neben Mitarbeiter*innen der Uni auch immer sehr viele Hiwis an OCR4all mitgearbeitet haben. Insgesamt kommt da aber eine Gruppe zusammen, für die es sicher mehr als zwei Hände braucht. Die Frage der interdisziplinären Zusammenarbeit ist dann auch die deutlich spannendere. Denn ohne diese hätte es OCR4all nie gegeben. Im Grunde muss man sich die Zusammenarbeit als ein buntes Gemisch aus – in unserem Falle – literaturwissenschaftlichen Anforderungen und der Suche nach technischen Lösungen von informatischer Seite vorstellen, die sich gegenseitig immer wieder befruchten, zu innovativen Neuerungen, Erkenntnissen und Anpassungen von Daten und Forschungsfragen auf beiden Seiten führen.

Sprachrohr: Was war Ihre Rolle im Entwicklungsprozess? 

M. Wehner: Mit Blick auf die interdisziplinäre Zusammenarbeit könnte man vielleicht behaupten, dass ich immer etwas zwischen der Literaturwissenschaft und der Informatik stand. Zwar habe ich Germanistik studiert, doch kam ich irgendwann neben meiner eigentlichen Hiwi-Stelle im Forschungsprojekt „Narragonien digital“, für das OCR4all mitentwickelt wurde, eher zufällig auch an eine Stelle in der Informatik. Anfangs natürlich ein vollkommen neues und unbekanntes Feld für mich – doch irgendwann begann ich, auch die technischen Hintergründe der Software zu verstehen und konnte neben intensiven Testphasen immer wieder durch literaturwissenschaftlicher Beratung dienen. Ich war also mitverantwortlich für den interdisziplinären Austausch der unterschiedlichen Forschungsfelder! Und diese Tätigkeit setzt sich, da ich nach meinem Staatsexamen Mitarbeiter am KI-Lehrstuhl geworden bin, natürlich in nun noch intensiverer Weise fort.

Sprachrohr:  Da Sie waren auch am Forschungsprojekt „Narragonien digital“ beteiligt waren: Welche Rolle spielte OCR4all bei der digitalen Aufbereitung der Moralsatire „Narrenschiff“ aus dem 15. Jahrhundert? 

M. Wehner: Eine ganz erhebliche. Bevor es die Software gab, musste die verschiedenen Ausgaben des Narrenschiffs händisch abgetippt werden – Zeile für Zeile, Seite für Seite, mit Abkürzungen und Sonderzeichen aus dem Lateinischen, Französischen und Englischen des 15. und frühen 16. Jahrhunderts, die man auf keiner normalen Tastatur findet.

Sprachrohr: Wie es der Name schon sagt, ist OCR4all für jeden (auf der Plattform „GitHub“) frei zugänglich. Wie schätzen sie die Reichweite des Tools in den nächsten Jahren ein? Wem würden sie die Nutzung OCR4all empfehlen? 

M. Wehner: Die Reichweite hat schon heute eine globale Ebene erreicht – auch, wenn sich diese natürlich noch auf sehr fachspezifische Nutzergruppen beschränkt. Wir arbeiten jedoch jeden Tag daran, OCR4all besser und bekannter zu machen. Zu empfehlen ist die Software natürlich jedem, der sich für Wissensbestände interessiert, die bisher noch nicht oder noch nicht ausreichend erschlossen sind, das heißt Wissenschaftler*innen aller Fachrichtungen, jedoch auch Studierenden oder Privatpersonen, die sich mit dem Lesen digitalisierter Drucke aus dem späten Mittelalter und der Frühen Neuzeit schwer tun, jedoch an die Inhalte gelangen wollen – und das in einer Schrift, die auch sie und der Computer problemlos lesen und weiterverarbeiten können. Wer sich also für Werke über Botanik, Medizin, Astrologie, Philosophie oder Gesellschaftssatiren dieser Zeit interessiert und dazu nur die Scans der Werke, jedoch keine Textdateien über die Seiten der großen Bibliotheken beziehen kann, darf sich berufen fühlen!

Sprachrohr: Wissen Sie, wo das Tool bereits außerhalb der Forschungsprojekte der JMU zum Einsatz kam? 

M. Wehner: Beinahe jeden Tag stehe ich in Kontakt mit Nutzer*innen von überall her – einmal mit Forschern aus Vietnam, dann wieder mit Mitarbeiter*innen eines Forschungsprojekts aus Schottland. Und alle finden für unsere Software die unterschiedlichsten Anwendungstexte und -felder.

Sprachrohr: Welche Möglichkeiten/Zugänge sehen Sie für interessierte Studierende, an ähnlichen Digitalisierungsprojekten der JMU mitarbeiten zu können?

M. Wehner: Viele, denn es gibt viele Projekte und viele unterschiedliche Aufgaben, die in ihnen zu bewältigen sind – und engagierte Studierende sind überall und immer gefragt. Es gilt also, die Augen offen zu halten, nach Aushängen an Lehrstühlen und Instituten zu Forschungsprojekten, Vorträgen, Workshops zu Themen, Methoden und Strategien der Digitalisierung im universitären Forschungsfeld. Und am Ende muss man den Mut haben, sich auf Stellen zu bewerben, Projektleiter*innen nach freien Plätzen zu fragen und sich selbst zuzutrauen, Aufgaben im Bereich der Digitalisierung, der DH und Informatik bewältigen zu können, mit denen man sich bisher noch nicht beschäftigt hat und die erst einmal nichts mit dem eigenen Studienfach zu tun haben. Ich spreche da aus eigener Erfahrung. Es lohnt sich allemal!

Wir bedanken uns für dieses ausführliche Interview und den spannenden Einblick hinter die Kulissen von OCR4all. Das Tool wirde am Lehrstuhl für Künstliche Intelligenz und angewandte Informatik der Uni Würzburg sowie am Zentrum für Philologie und Digitalität Kallimachos (ZPD) entwickelt.  Über die Seite des ZPDs (https://www.uni-wuerzburg.de/zpd/services-aktivitaeten/tools/) gelangt man zu GitHub und damit zum Tool. Nachfragen dürfen gerne an maximilian.wehner@uni-wuerzburg.de gerichtet werden. 

Maria Romanov