Künstliche Intelligenz ist längst nicht mehr nur ein Werkzeug für moderne Texte: Heute „lesen' neuronale Netze mittelalterliche Handschriften und Archivdokumente, die früher Jahre manueller Arbeit von Fachleuten erforderten. Technologien zur Erkennung alter Schrift und zur automatischen Transkription ermöglichen es Forschern, riesige Mengen historischer Quellen in kürzester Zeit zu verarbeiten und geschlossene Archive in zugängliche digitale Speicher zu verwandeln. Dies verändert die Methodologie der historischen und philologischen Wissenschaft grundlegend und verschiebt den Schwerpunkt von der seitenweisen manuellen Analyse hin zur systematischen Untersuchung ganzer Sammlungen.
Architektur der Präzision: Der Wiener Gipfel
Ein Schlüsselergebnis in dieser Richtung war der Gipfel in Wien, organisiert von der Österreichischen Akademie der Wissenschaften (ÖAW) und der Universität Wien mit Unterstützung der Princeton University. Auf der Plattform diskutierten die Experten weniger über einzelne Experimente als über die technische Architektur zukünftiger KI-Systeme für die Arbeit mit historischen Dokumenten. Das erklärte Hauptziel: die absolute Genauigkeit und Zuverlässigkeit automatischer Transkriptionen zu garantieren, damit die Ergebnisse maschinellen Lesens in akademischen Publikationen ohne Risiko systematischer Fehler verwendet werden können.
Warum mittelalterliche Archive eine „Blackbox' sind
Das Hauptproblem mittelalterlicher Archive liegt in ihrer physischen und linguistischen Komplexität. Ungewöhnliche Wortgraphik, zeitliche Verformung der Materialien, individuelle grafische Merkmale jedes Schreibers und verschwundene Dialekte machten die meisten Dokumente für eine schnelle Untersuchung praktisch unzugänglich. Selbst ein erfahrener Paläograf konnte halberhaltene Buchstaben oft nicht eindeutig entziffern oder den Sinn veralteter Abkürzungen wiederherstellen, was die Arbeit an einer einzelnen Handschrift zu einem jahrelangen Prozess machte.
Die drei Säulen der neuronalen Erkennung
Moderne KI-Modelle lösen dieses Problem mit einem umfassenden algorithmischen Ansatz. Erstens wird neuronale Schrifterkennung (HTR) eingesetzt: Das computergestützte Sehen wird an Tausenden von Beispielen einer bestimmten Epoche trainiert, sodass der Algorithmus auch beschädigte Buchstaben unterscheiden und wiederherstellen kann. Zweitens funktioniert die automatische Transkription und Normalisierung – die KI übersetzt nicht nur Grafik in digitalen Text, sondern erkennt auch veraltete Abkürzungen und passt sie an moderne Sprachstrukturen an. Drittens verarbeiten neuronale Netze multispektrale Scans, analysieren Bilder in verschiedenen Lichtbereichen und entdecken verblasste oder absichtlich ausgewischte Tinte, einschließlich in Palimpsesten.
Skala als Durchbruch: Von der Handschrift zu Big Data
Der größte Durchbruch liegt in der Veränderung der Forschungsskala. Anstatt jede Handschrift einzeln zu analysieren, wenden Wissenschaftler Methoden des Big Data auf ganze digitale Speicher an: Spezielle Algorithmen scannen Millionen von Seiten in Sekunden und finden Querverweise, identische Toponyme, Erwähnungen wenig bekannter Personen und versteckte Sprachmuster. Dies ermöglicht es, digitale Karten der Verbindungen zwischen Dokumenten aus verschiedenen Teilen der Welt zu erstellen und vollständige historische Ereignisse in Sekunden zu rekonstruieren – etwas, das in der Ära ausschließlich manueller Arbeit unmöglich war.
