Larramendiren Hiztegi Hirukoitzaren digitalizazioa. Karaktereen ezagutze optikoa eta Wikitekara igotzea

Laburpena

Artikulu honetan Larramendiren Hiztegi Hirukoitzaren digitalizazioko OCR prozesua deskribatzen da, adimen artifizialaren adarra den ikasketa automatikoa baliatuz. Horretarako, eskaneatutako irudien aurreprozesamendua deskribatzen da, eta ondoren, Kraken erreminta baliatuz, eskuz transkribatutako laginetik abiatuta hiztegiko testua ezagutuko duen ereduaren trebakuntza azaltzen da. Doitasun handiko testuaz gain, letra etzana eta testuaren posizioa gordetzen dituzten fitxategiak sortu dira, hiztegiaren egitura irudikatzeko balioko dutenak. Emaitzak prozesatu eta Wikiteka plataforman eskuragarri jarri direnez, auzolanez transkripzio osoa zuzendu daiteke. Zuzendutako transkripzio hori informazio-erauzketa prozesutik pasako da, hiztegiaren egitura lexikografikoa ikasketa automatikoz erauzteko. Informazio horrekin RDF estandarrarekin bat datorren moldaketa-eredu baten lehen proposamena landuko da, Wikidatan integratzeko.