NorHand — La Biblioteca Nacional de Noruega abre su IA de reconocimiento de escritura manuscrita a todo el sector

La Biblioteca Nacional de Noruega (Nasjonalbiblioteket) lleva digitalizando por completo sus fondos desde 2005, y a mediados de la década de 2020 había digitalizado casi todos sus libros y más de la mitad de sus periódicos. Su laboratorio de IA (AI-Lab) ha publicado una familia de modelos en noruego con licencia abierta, entre ellos NB-BERT, NB-GPT-J-6B (con 6.000 millones de parámetros) y los modelos de voz NB-Whisper.

Crear un modelo abierto de reconocimiento de texto manuscrito (HTR) para digitalizar manuscritos históricos y hacerlos totalmente buscables en texto completo.

En septiembre de 2023, la Biblioteca publicó NorHand, un modelo HTR construido sobre la plataforma Transkribus y entrenado con aproximadamente 400 caligrafías distintas, incluidos manuscritos de autores como Sigrid Undset. Tanto el modelo como sus datos de entrenamiento se publicaron de forma abierta.

NorHand alcanza una tasa de error por carácter (CER) de aproximadamente el 4,0% y, en el momento de su lanzamiento, ya había ayudado a procesar y publicar alrededor de una cuarta parte de los documentos manuscritos digitalizados de la Biblioteca como elementos totalmente buscables en texto completo. La Biblioteca informa de que varias otras instituciones noruegas lo han adoptado desde entonces para sus propias necesidades de reconocimiento de escritura manuscrita.

Estas cifras son autodeclaradas por la Biblioteca y su socio tecnológico, sin auditoría independiente; no se encontró ningún estudio de referencia externo ni evaluación académica de la precisión real de NorHand en las distintas instituciones; la afirmación de que "muchas" otras instituciones lo han adoptado no está, en sí misma, cuantificada.