Nový projekt: Vytěžování strukturovaných dat z archivních dokumentů

Digitalizace se stala prioritou paměťových institucí, jejichž cílem je ochrana a zpřístupnění dokumentů kulturního dědictví. Častým požadavkem je vytěžení strukturovaných vstupů tak, aby byla data zpracovatelná v dalších informačních systémech – nikoli jen jako prostý text, ale stále ve své původní struktuře (např. tabulky či formuláře). Podstatou je porozumění struktuře stránky a zachování této struktury při dalším zpracování.

Vytěžení tabulek a formulářů na maximum

Cílem je vytvořit ucelené softwarové řešení pro inteligentní a automatizované vytěžování strukturovaných dat z historických i současných dokumentů. Software dokáže:

• automaticky vytěžovat velký objem dat,
• exportovat je ve formátu připraveném pro strojové zpracování,
• přizpůsobit se novému typu vstupního dokumentu,

• pracovat jak s tištěným, tak s ručně psaným textem.

  ---

Vzorové příklady tabulek a formulářů pro anotace

Do projektu jsou zahrnuty materiály, které mohou být využity pro budoucí implementace a testování algoritmů pro extrakci strukturovaných dat. Tyto příklady slouží k optimalizaci schopnosti softwaru porozumět struktuře dokumentů.

Data, která dosud nebylo možné vytěžit

Na současném trhu neexistuje flexibilní řešení, které by dokázalo spolehlivě vytěžit strukturovaná data z dokumentů „před digitální dobou“, typicky z 20. století. Tyto dokumenty stále obsahují cenná data, ale jejich manuální zpracování je nákladné a časově náročné.

Výstup v podobě strukturovaných dat umožní následné zpracování v moderních informačních systémech, zefektivní vyhledávání informací a umožní pracovat s historickými dokumenty stejně snadno jako s nově vzniklými elektronickými daty.