Cuando las máquinas no pueden leer bitácoras

Quien se haya adentrado en Google Books, especialmente en los libros del dominio público escaneados a partir de fondos de bibliotecas, habrá comprobado hasta qué punto el OCR sigue siendo un albur, aunque muchos estén dispuestos a correrlo. Las manchas de humedad, la oxidación irregular del papel, la tinta del sello del bibliotecario, que dejó su marca imprevista sobre la tipografía, las huellas dactilares de un lector que comía manzanas mientras leía, son datos con los que nosotros podemos reconstruir una historia que haga sentido, una historia marginal a la que cuenta el libro. De hecho, la disciplina de la Historia no es más que nuestra habilidad para desencriptar y dotar de sentido a las huellas dejadas por los hombres en la cultura material. Pero a las máquinas, todo esto las despista porque, como los niños pequeños, necesitan de la previsibilidad.

Una lectura de OCR puede arrojar un resultado 99 % fiable y puede, en otras circunstancias, regalarno un galimatías. Si esto es casi siempre así cuando los libros impresos que se le someten a la lectura son viejos, cuando se trata de digitalizar documentos manuscritos nos encontramos ante una verdadera imposibilidad.

En la Argentina estamos en las vísperas de un censo nacional de población y, por eso, me parece útil el siguiente ejemplo: un fragmento de una hoja del primer censo realizado en el país en 1869, cuando era presidente el escritor Domingo F. Sarmiento.

Estas columnas bien estructuradas, con el nombre de la familia en la primera, el nombre de pila en la segunda, las edades en la tercera, etc. tienen sentido para cualquier hombre, aunque le tome un poco de tiempo desentrañar las curvas de la caligrafía decimonónica. Un primer paso hacia la conservación de estos documentos de vital importancia es el escaneado. Pero el escáner solo nos devolverá una fotografía. Lo que interesa a las nuevas tecnologías de la memoria es transformar ésta y otras miles de hojas en datos que puedan ser sometidos a procesos que los combinen entre sí y arrojen, rápida y automáticamente, información que, a su vez, se transforme en la base de nuevos saberes, de nuevas hipótesis sobre nuestra historia. Un OCR, que es la herramienta automatizada con la que contamos para hacer esto, es incapaz 1) de ver estructura donde nosotros la vemos; 2) de leer todas las caligrafías singulares de los miles de censistas.

La simple conservación digital, la foto o el .pdf, no cumple ninguna función más que la de tranquilizar conciencias, pues no permite la transformación de un documento en datos. Es un primer paso que, de no darse los siguientes, será puro gasto sin reproducción.

De visita en el blog de Open Library, tropecé con una organización a la que no conocía: Zooniverse , cuyo objetivo es lo que hoy se da en llamar "la ciencia de los ciudadanos", que recurre a voluntarios o a redes de voluntarios para el procesamiento de datos en proyectos científicos concretos. Uno de ellos es la reconstrucción del tiempo meteorológico del planeta a partir de las bitácoras de los marinos de la Armada Real Británica que, como bien sabemos, surcó y dominó todos los mares. Las bitácoras se parecen a las hojas del censo en que están divididas en columnas, la última de las cuales es la más difícil de desentrañar para las máquinas: las observaciones del capitán. En Zooniverse han creado una app que facilita la colaboración ciudadana en la reconstrucción de este tesoro de información.

Aquí está el vídeo que muestra cómo funciona:




Old Weather - Weather and Events from The Zooniverse on Vimeo.

Y como soñar no cuesta nada, imagino el salto cuántico que significaría para los países de habla hispana --que tienen tantos hablantes como para enorgullecerse de ser la segunda lengua de Occidente y, al mismo tiempo, tan poca ciencia que les dé autonomía y peso económico-- que las bibliotecas nacionales abrazaran un proyecto semejante. No lo pienso solo desde la perspectiva de la conservación real de la memoria, ni desde la pura producción histórica, sino desde el efecto multiplicador de ciudadanía que tendrían estas redes de voluntarios detrás de un objetivo común.