El próximo Vladimir Propp será un algoritmo

El pasado 13 de julio, en Shangai, unos 840 millones de palabras, contenidas en las páginas amarilleadas de unos 5200 documentos y libros que nunca vieron la imprenta, salieron de las empolvadas cajas de cartón que las guardaban rumbo a su digitalización. Yang Liangcai fue el encargado de la selección, junto a un equipo de expertos. Lo primero que nos dice sobre él el People's Daily Online es que tiene 79 años, porque ser mayor en China inspira confianza y respeto y forma parte de las bazas de un buen curriculum. El anciano Yang es un ex miembro del Partido, no uno cualquiera, porque ejerció como secretario de la Asociación de Arte y Literatura Popular de China y ahora es miembro del Comité de Expertos de un proyecto que pretende el rescate del folklore chino, de sus géneros y tradiciones perdidas en la acelerada urbanización iniciada tras la muerte de Mao.

Estos 840 millones de palabras son tan solo una muestra diminuta, una primera selección. Quedan miles de cajas sin abrir. Muchas de estas palabras están escritas a mano en caligrafía popular; otras, se han trasladado al papel por medio de sellos de madera, una suerte de tipos móviles manuales; otras, más actualizadas, conocieron su fijación por medio del mimeógrafo. Cubren una amplia variedad de géneros: el mito; la leyenda; la narración; el chiste; el cuento de hadas; la balada; los proverbios y la épica. Y dicen que pronto, aunque no se sabe qué es pronto en términos chinos, estarán disponibles online para su acceso irrestricto. No solo las palabras pasarán por el escáner, también las ilustraciones. Los materiales de esta colección se han reunido a través de toda la geografía china, que es vasta, a lo largo de 60 años.

Es folklore contemporáneo, porque la base de datos solo llegará, en esta primera etapa, a cubrir creaciones populares posteriores a 1940, y las lenguas en que se escribieron son minoritarias, pero tendrán sus traducciones al chino mandarín. En una segunda etapa, el gran archivo incluirá documentos de los últimos cien años y grabaciones que reproducen la literatura oral de las minorías étnicas, lingüísticas y sociales. Todo esto sumado, dice Yang el Viejo, será un acervo de cuatro mil millones de palabras. Las compilaciones comenzaron a realizarse en 1984. A Yang le preocupa tanto la publicación, en el sentido de hacer público, de estos materiales como el talento que encierran y reconoce, con tristeza, que si el talento sobra por el lado de la producción popular, falta en filólogos y folkloristas para analizar tanto material.

De todas formas, no hay que preocuparse demasiado, porque Baidu, el buscador oficial chino que quiere competir con Google, vendrá en ayuda de la empresa de reconstrucción del pasado inmediato. Y los 4 mil millones de palabras, en ayuda del buscador.

Uno se pregunta cuánto tiempo tardarán los algoritmos en producir una morfología del relato popular chino. Vladimir Propp encontró 31 funciones y ocho tipos, o actantes, a lo largo de muchos años de estudio de un material menos extenso. ¿Qué encontrarán los algoritmos de Baidu? ¿Y acaso dejarán fuera de su análisis, al igual que hizo Propp, cualquier consideración de tono o de registro? ¿O usarán los miles de millones de palabras solo para venderles publicidad contextual a las minorías étnicas que las produjeron?

El proyecto es fascinante. Especialmente porque si surge un Propp algorítmico, no tenemos por qué perder la esperanza de que llegue su crítico superador, en una reencarnación maquínica de Claude Levi-Strauss.

Debo la primera pista que me hizo llegar a esta información a mi estimado amigo José Afonso Furtado, también conocido como @jafurtado en Twitter.

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.

Cosas que puedo hacer con un libro (si es de papel)

Al margen de las leyes de copyright, de los usos restringidos que autor y editor han ideado para los libros que hacen juntos, una vez atravesada la barrera de la caja de la librería, con mi ejemplar en la mano, soy libre de:

. leerlo en el tren mientras vuelvo a casa.

. guarecerme de la lluvia inesperada que me atrapó en la estación.

. dejarlo en un rincón de los anaqueles.

. mancharlo con mermelada si lo leo durante el desayuno.

. perderlo en el camino.

. convertirlo en arte.

. prestárselo a un amigo.

. esconderlo de mis padres.

. esconderlo de mis hijos.

. esconderlo de mi voraz marido que siempre lee lo que compro antes que yo.

. equilibrar la pata de una silla.

. cargarlo de marginalia.

. doblarle las hojas si no tengo a mano un punto de lectura.

. prestárselo a otro amigo.

. perderlo en la biblioteca de un falso amigo.

. adornarlo con un ex libris.

. encender un fuego si un invierno riguroso me encuentra entre los excluidos.

. reelerlo al cabo de los años.

. olerlo.

. releer mis marginalia y reencontrarme con la historia de mi intelecto.

. pasarles el plumero.

. embeberle el lomo con trementina para protegernos de los ácaros.

. usarlo como almohada para una siesta bajo un árbol.

. matar una mosca convirtiéndolo en arma arrojadiza.

. prestarlo a un amigo.

. hacer una escalera para alcanzar otro libro en el anaquel más alto de la biblioteca.

. pavonearme con él en el café literario Malasartes, del barrio de Palermo (o en cualquier otro lugar similar, que abundan en el mundo).

. revenderlo a un librero de lance.

. donarlo a una biblioteca.

. partirlo en dos en un ataque de furia.

. pedirle a un amigo que me lo devuelva.

. encuadernarlo en el curso de manualidades.

. reencontrarlo después de una mudanza.

. secar una hoja entre sus hojas, como hacía mi suegra.

. volver a prestarlo.

. convertirlo en cartón piedra.

. arrugarlo, estrujarlo, plancharle las páginas, arrancarle las páginas, pegarle las páginas, atarlo con una goma, leerlo a la luz de una vela cuando las eléctricas nos dejan sin fluido por desinversión.

Antes de que a la industria editorial le pase lo mismo que a las discográficas, habría que evangelizar a los usuarios --porque ahora "lectores" es una palabra ambigua que se aplica a los dispositivos dedicados-- para que sepan que nada, nada de todo esto es exactamente así con los libros digitales.

De las erradas predicciones

Hace una eternidad, esto es, en la prehistoria de los libros en la nube, poco antes de que estallara la burbuja punto com, en la intersección del Passeig de Gràcia y Gran Via de les Cortes Catalanes, en la bellísima y añorada ciudad de Barcelona, Catalunya Radio había instalado una tarima durante la feria del libro anticuario y de segunda mano, desde donde transmitían en directo.
Por cosas de la vida y de la globalización, en aquel momento yo representaba, para el imaginario periodístico, las antípodas y el anatema: desde BroadeBooks, en asociación estratégica con Microsoft España y con Overdrive, me encargaba de realizar alianzas con los editores tradicionales para volcar sus fondos a la plataforma propietaria del lector digital de los chicos de Redmond. Esto, sumado a un pasado reciente en la edición tradicional de calidad, motivó una invitación de la radio para una conversación en directo y al aire libre con uno de los libreros anticuarios más representativos de la ciudad.
A las librerías del mundo todavía no había llegado El código Da Vinci, que inauguró el fenómeno de los megabest-sellers que le cambiaron la cara para siempre a la industria editorial, pero ya teníamos a Harry Potter, que era la estrella de los libreros anticuarios, según pude enterarme aquella mañana.