In het huidige digitale tijdperk speelt een volledige, gestructureerde en open catalogus een cruciale rol bij het bieden van toegang tot informatie en het garanderen van een optimale ervaring voor bibliotheekbezoekers, lezers en onderzoekers. Daarom zet KBR volop in op een conversie naar open en linked data, waaronder de omschakeling naar een op Resource Description and Access (RDA) gebaseerde catalografie. Maar om zoekopdrachten in onze catalogus zinvol te maken, moet die catalogus volledig zijn. En daar knelt voorlopig nog het schoentje. Veel documenten in ons magazijn zijn nog niet opgenomen in onze online catalogus, maar bevinden zich enkel op papieren steekkaarten of in (handgeschreven en gedrukte) inventarissen. In het actieplan KBR 2022-2024 werd het aanpakken van deze situatie een prioriteit.

Om die uitdaging aan te pakken en het catalogiseren te verbeteren, begon het project begin 2022 aan een missie om de kracht van artificiële intelligentie (AI) in te zetten bij het catalogiseren van al de boeken die nog niet in de catalogus opgenomen waren. Het primaire doel was om metadata te extraheren uit scans van titelpagina’s en zo de integratie van ontbrekende boeken in de online catalogus mogelijk te maken. Op deze manier wilden we een uitgebreidere en nauwkeurigere weergave van het boekenbezit van onze collectie bieden, wat uiteindelijk ten goede zou komen aan onze lezers. In dit artikel zullen we kort ingaan op de kracht van artificiële intelligentie, hoe die KBR momenteel al helpt bij de catalografie en welke mogelijkheden en opportuniteiten we zien in de toekomst.

De rol en kracht van artificiële intelligentie

AI is een tak van de computerwetenschap die zich richt op het maken van machines die een menselijke intelligentie kunnen simuleren en taken kunnen uitvoeren waarvoor normaal gesproken menselijke intelligentie nodig is. Het gaat om de ontwikkeling van algoritmen, modellen en systemen die kunnen waarnemen, redeneren, leren en beslissingen nemen op basis van beschikbare gegevens. Met het vermogen om enorme hoeveelheden gegevens te verwerken, patronen te herkennen en zich in de loop van de tijd aan te passen, heeft AI het potentieel om een revolutie teweeg te brengen in industrieën, om besluitvormingsprocessen te verbeteren en om de efficiëntie en productiviteit te verhogen

AI heeft veel aandacht gekregen, zeker sinds de lancering van ChatGPT door OpenAI eind 2022. Maar AI is uiteraard veel meer dan dat. AI had al toepassingen gevonden op verschillende gebieden vanwege het potentieel om processen te revolutioneren en menselijke capaciteiten te vergroten. Het wordt gebruikt om medische diagnoses te verbeteren, gepersonaliseerde behandelplannen op te stellen en te helpen bij het ontwikkelen van medicijnen. Algoritmen voor machinaal leren kunnen medische gegevens analyseren, zoals patiëntendossiers en beeldvormende scans, om patronen te identificeren en te helpen bij het vroegtijdig opsporen van ziekten. AI speelt een cruciale rol bij het opsporen van fraude, algoritmische handel en risicobeoordeling. Chatbots en virtuele assistenten met AI worden gebruikt om de klantenservice te verbeteren en gepersonaliseerde financiële aanbevelingen te doen.

AI transformeert de transportsector door de ontwikkeling van autonome voertuigen, het optimaliseren van routeplanning en het verbeteren van verkeersmanagementsystemen. Zelfrijdende auto’s gebruiken AI-algoritmes om sensorgegevens te interpreteren en in realtime beslissingen te nemen. AI wordt geïmplementeerd in adaptieve leerplatformen, die studenten gepersonaliseerde leerervaringen bieden op basis van hun individuele behoeften en leerstijlen. Dankzij de verwerking van natuurlijke taal kunnen AI-onderwijssystemen interactieve gesprekken voeren met studenten en begeleiding en feedback geven. AI zorgde voor een revolutie in de productiesector door productieprocessen te optimaliseren en kwaliteitscontrole te vergemakkelijken. Als dat allemaal mogelijk is, dan moet AI toch ook kunnen helpen bij het lezen en detecteren van informatie uit gedrukte documenten, om zo onze collectie beter te kunnen inventariseren, dachten we. Om de mogelijkheden beter te begrijpen, even een kort woord over de verschillende AI-technieken.

Specifieke AI-algoritmen (convolutionele neurale netwerken of CNN’s genaamd) worden gebruikt om tekstregio’s in de gescande afbeeldingen te identificeren en te lokaliseren. Deze algoritmen kunnen de aanwezigheid van tekst detecteren en deze onderscheiden van andere visuele componenten, zoals afbeeldingen of decoratieve elementen. Deze techniek wordt gebruikt om de titel te detecteren op basis van patronen die de AI zelf opstelt. Als wij in twintig afbeeldingen de tekst die groter en in het midden van de pagina gedrukt staat, identificeren als de ‘titel’, zal de AI zichzelf een patroon aanleren waardoor deze bij een nieuwe afbeelding de tekst die daar groter en in het midden van de pagina staat ook zal detecteren als titel. Menselijke hersenen werken overigens net zo: op basis van zelf aangeleerde patronen.

Zodra de tekstregio’s geïdentificeerd zijn, maken AI-algoritmen gebruik van optische tekenherkenningstechnieken (OCR) om de gedetecteerde tekens om te zetten in digitale tekst. OCR is een technologie die afbeeldingen met gedrukte of handgeschreven tekst (HTR) omzet in machineleesbare tekst. AI-algoritmen spelen een belangrijke rol bij het verbeteren van OCR, door de nauwkeurigheid te verbeteren, verschillende lettertypen te verwerken en om te gaan met ruis of vervormde tekst. Vaak worden terugkerende neurale netwerken (RNN’s) en netwerken met een langetermijngeheugen (LSTM) gebruikt om individuele tekens en hun context binnen woorden of zinnen te herkennen en te interpreteren. Tot slot maken AI-algoritmen gebruik van Natural Language Processing (NLP)-technieken om de geëxtraheerde tekst te analyseren (classificeren) en belangrijke informatie te identificeren. Algoritmen voor Named Entity Recognition (NER) kunnen entiteiten zoals auteursnamen, steden en data identificeren door patronen en context in de tekst te herkennen. Om een hoge nauwkeurigheid te bereiken, worden AI-algoritmen meestal getraind op grote datasets met gelabelde voorbeelden (= machinelearning). Door deze training leren de algoritmen patronen en relaties tussen tekstelementen herkennen, waardoor ze metadata nauwkeuriger kunnen identificeren.

Voor veel technieken die een catalograaf nodig heeft (tekst herkennen, in context plaatsen, interpreteren, classificeren), is er een AI beschikbaar. Het potentieel is dus enorm. Door OCR-technieken te combineren met AI-algoritmen kunnen bibliotheken en informatieprofessionals de extractie van metadata uit gescande afbeeldingen (zoals titelpagina’s) automatiseren.

De toepassing van artificiële intelligentie vond daarom al vroeg ingang in de cultureel-erfgoedsector, waar de kracht van AI de eerste resultaten begint af te leveren. Zo komen steeds meer interessante en veelbelovende resultaten van AI-projecten aan het licht. Egyptoloog Heleen Wilbrink maakte, met de hulp van AI, meer dan 45.000 objecten doorzoekbaar op tekst, beeld en locatie. Meemoo zal in de nabije toekomst urenlang audiovisueel materiaal doorzoekbaar maken door middel van automatische gezichtsherkenning. Bibliotheken wereldwijd hebben zich al verdiept in het verkennen van AI voor een breed spectrum van toepassingen, waaronder het automatiseren en optimaliseren van bestaande processen en workflows, maar ook het ontwikkelen van nieuwe methoden en tools voor het verkennen en promoten van erfgoedcollecties. In KBR, specifiek in het KBR Data Science Lab, dat gelanceerd werd na het ADOCHS-project (Auditing Digital Outputs in the Cultural Heritage Sector), zijn eveneens inspanningen gericht op het ontwikkelen van AI-methoden en -modellen, met name voor beeld- en tekstanalyse. Het onderzoek richt zich enerzijds op de basis waar wiskundige modellering en machinelearning toegepast worden om de structuur van afbeeldingen met een grote hoeveelheid tekst te herkennen (bijvoorbeeld afbeeldingen van kranten of tijdschriften), anderzijds op de eindfase waar contrastieve deep learning onderzocht wordt voor het koppelen, opvragen en analyseren van de inhoud van een afbeelding. We verwachten dat er steeds meer AI-technologieën onderzocht en gebruikt zullen worden om de verschillende soorten collecties in KBR te analyseren en onder de aandacht te brengen.

AI toegepast

Met deze theorie in het achterhoofd en ervaring binnen KBR, zagen we al snel het potentieel in dat AI kon bieden voor het aanmaken van titelbeschrijvingen. We gingen hiermee aan de slag en zochten naar de beste methode. We wilden een applicatie die gegevens automatisch uit een titelpagina kon halen, maar waarrond een gebruiksvriendelijke interface gebouwd was die menselijke validatie (een stap die we doelbewust invoerden) van die metadata mogelijk maakte, waarbij een medewerker de gedetecteerde informatie kon valideren, bevestigen of corrigeren

Op de commerciële markt bieden veel leveranciers standaardmodellen aan die vrij gemakkelijk metadata extraheren uit offertes en facturen, zoals de naam van de leverancier, het adres, de aangeleverde goederen en diensten en de prijs. Maar facturen en offertes hebben natuurlijk allemaal min of meer dezelfde lay-out en zijn dus een dankbare dienst om aan te bieden.

Gelukkig boden veel tools de mogelijkheid om op maat gemaakte modellen te trainen. Op een erg gebruiksgemakkelijke manier kun je daarin een eigen model – gebaseerd op titelpagina’s – trainen. Alle tools werken op eenzelfde manier: eerst maak je een trainingsset door een twintigtal afbeeldingen op te laden, vervolgens annoteer je de afbeeldingen en duid je gegevens als ‘titel’, ‘auteur’ en ‘uitgever’ aan om uiteindelijk een niet gekende afbeelding op te laden en het model te testen. De resultaten verschilden, maar waren algemeen vrij bevredigend. En dat was voor ons een belangrijke stap. Het gaf ons – nogmaals – het vertrouwen dat AI-gebaseerde tools wel degelijk konden helpen bij het interpreteren van de gegevens op een titelpagina.

Nu we over de eerste algemene tests vrij tevreden waren, was de volgende stap het zoeken naar een duurzame, gebruiksvriendelijke en op maat gemaakte tool. Want veel van bovenstaande commerciële leveranciers stonden toe om een model te trainen en boden daarrond een eigen interface aan om de resultaten te bekijken, maar deze waren vaak te nemen of te laten en geen daarvan voldeed exact aan de noden die wij binnen KBR hadden. En zo kwamen we na een tijd terecht bij onze eigen Microsoft365- omgeving en meer bepaald de grote potentie van het zogenoemde Microsoft Power Platform. Dat is een verzameling low-code ontwikkeltools van Microsoft waarmee organisaties aangepaste applicaties kunnen maken, processen kunnen automatiseren en gegevens kunnen analyseren.

Binnen het Power Platform-ecosysteem onderscheidt Power Apps zich als een robuust platform voor het ontwikkelen van applicaties. Het Power Platform bestaat uit vier belangrijke componenten. (1) Power Apps maakt het mogelijk om aangepaste toepassingen te creëren met een gebruiksvriendelijke, low-code aanpak. Het biedt een visuele interface en kant-en-klare sjablonen, zodat ontwikkelaars snel toepassingen kunnen bouwen en implementeren die afgestemd zijn op hun specifieke behoeften. (2) Power Automate (voorheen bekend als Microsoft Flow) is een tool voor workflow-automatisering waarmee gebruikers geautomatiseerde processen kunnen maken voor verschillende toepassingen en services. Het maakt de integratie van verschillende systemen mogelijk en stroomlijnt repetitieve taken. (3) Power BI is een robuuste business intelligence-tool waarmee organisaties gegevens kunnen visualiseren en analyseren. (4) Power Virtual Agents maakt het mogelijk om intelligente chatbots te maken zonder uitgebreide codering.

Een privépartner, Inetum-Realdolmen, ging voor ons aan de slag met de eerste twee componenten, een Power App ondersteund door een automatisatie via Power Automate. Hierin werd gebruikgemaakt van een belangrijke component, AI-builder, die mogelijkheden voor AI toevoegt aan deze applicaties. AI-builder biedt verschillende mogelijkheden, waaronder objectdetectie, formulierverwerking, entiteiten-extractie, categoriseren van teksten, voorspellingsmodellen, enzovoort.

De combinatie van het Power Platform met de AI-builder-component mondde uit in een goed werkende tool. De worflow is de volgende: we nemen een scan van de titelpagina die dan op een Sharepointserver gezet wordt. Dat triggert een flow die de afbeelding verwerkt, het AI-model erop toepast en vervolgens de afbeelding en de geëxtraheerde metadata in de applicatie plaatst. Vervolgens kan een medewerker het gemaakte record aanklikken om te corrigeren en te valideren. De gevalideerde beschrijvingen kunnen we exporteren in CSV-formaat om ze daarna in ons bibliotheeksysteem in MARC 21-formaat te importeren. Deze beschrijvingen komen dan in de catalogus met de vermelding “AI-gegenereerde beschrijving van een retrocatalografieproject”. Want we zijn ons ervan bewust dat dergelijke beschrijvingen enkel de basisinformatie bevatten en we willen onze lezers op deze manier op de hoogte brengen van de oorsprong van de gegevens.

AI-model

Omdat de basis van een goede werking van deze applicatie een goed werkend AI-model is, geef ik graag nog verdere uitleg over hoe het trainen van een AI-model binnen de AI-builder te werk gaat. Het Windows AI-model dat we gebruikten, is ‘Documentclassificatie’. Dat model categoriseert informatie van documenten (JPEG en PDF) op basis van de inhoud en structuur van het document. Het analyseert het document (lay-out) en classificeert vervolgens de verschillende elementen in de correcte velden (CNN’s).

Het grote voordeel is dat het een krachtig model is dat op een vrij eenvoudige manier te trainen is (er zijn maar vijf afbeeldingen nodig om een werkend model te trainen). Na het opladen van de afbeeldingen sleep je over de gewenste tekst en duid je de classificatie aan. In ons geval dienden we dus voor iedere opgeladen afbeelding deze elementen aan te duiden: titel, eerste auteursvermelding, tweede auteursvermelding, jaar van uitgave, plaats van uitgave, naam van uitgever of drukker en editievermelding. Dat gebeurde ofwel door de overeenkomende tekst te selecteren, ofwel door aan te duiden dat het element zich niet in de afbeelding bevond.

Wat belangrijk is: het model analyseert eerst de lay-out van een afbeelding. Titelpagina’s kunnen aanzienlijke variaties vertonen in hun lay-out, inclusief de plaatsing en opmaak van tekstelementen, zoals de titel van het boek, namen van auteurs en publicatiegegevens. Door de trainingsdataset te verdelen in verschillende verzamelingen op basis van lay-out kan het AI-model deze variaties leren herkennen en begrijpen, waardoor het beter in staat is om nauwkeurig metagegevens te extraheren.

Dat impliceert dat we in onze trainingsset een typologie moesten maken van de verschillende titelpagina’s, zoals enerzijds deze waarbij de auteur bovenaan vermeld stond, dan de titel en dan de gegevens van de uitgave, en anderzijds deze waar eerst de titel stond, met daaronder ‘door [auteur]’. Er waren ook titelpagina’s met twee uitgevers die naast elkaar stonden, of onder elkaar, enzovoort. Het classificeren van de afbeeldingen en het op een doordachte manier samenstellen van een trainingsset is dus een cruciale stap in het hele project. In totaal maakten we een tiental typologieën (‘collecties’) met in elke collectie minimaal tien afbeeldingen. Het gehele model is getraind op basis van 138 titelpagina’s.

Toekomstmogelijkheden en opportuniteiten

Momenteel maken we binnen KBR gebruik van externe metadata om een beschrijving te maken (door samenwerkingen met Boekenbank en Electre). Maar we ontvangen ook veel grijze literatuur (overheidspublicaties, thesissen, folders en publicaties in eigen beheer) die niet altijd in externe databanken te vinden is. Hier kan AI in eerste instantie een mooie aanvulling vormen.

Een van de belangrijkste voordelen van het gebruik van AI bij catalogiseren is de aanzienlijke verbetering in efficiëntie en schaalbaarheid. Omdat het aantal publicaties exponentieel blijft stijgen, kunnen handmatige catalogiseringsprocessen overweldigend worden voor (steeds minder) catalografen. AI-ondersteunde catalogiseringssystemen kunnen grote hoeveelheden boeken en documenten verwerken in een fractie van de tijd die nodig is voor handmatig catalogiseren, waardoor bibliotheken de groeiende vraag kunnen bijhouden.

Bovendien brengt AI objectiviteit in het catalogiseerproces door menselijke vooroordelen en subjectieve interpretaties te elimineren. Er zit één gezamenlijk ‘brein’ achter de catalografie-praktijken. AI-algoritmen analyseren de inhoud objectief en zorgen voor consistente en onbevooroordeelde onderwerpsontsluiting. AI kan daarenboven alle scripts van de wereld lezen en alle talen herkennen, terwijl een menselijke catalograaf, ook al is het een polyglot, er maar een handvol kan herkennen. Dat is, met steeds meer Belgische publicaties in allerlei talen, een groot voordeel.

Dit alles kan leiden tot een grotere nauwkeurigheid bij het catalogiseren en vermindert (als alles goed gaat) fouten en inconsistenties die kunnen optreden bij handmatige methoden. Kortom, door AI in te zetten bij het catalogiseren kunnen bibliotheken hun activiteiten stroomlijnen, grotere hoeveelheden materiaal verwerken en nauwkeurigere en objectievere metadata leveren voor een betere toegankelijkheid en vindbaarheid.

Het is daarom dat we op dit moment volop aan het onderzoeken zijn hoe we het gebruik van AI in de workflow kunnen uitbreiden. Dat gaat enerzijds door een model te trainen dat ook andere pagina’s kan analyseren. De belangrijkste pagina hiervoor is natuurlijk het colofon, waar tegenwoordig de meeste informatie, zoals ISBN, jaartal, uitgever, wettelijk depotnummer, maar ook originele titel, te vinden is. Anderzijds testten we ook een automatische onderwerpsontsluiting. Dat is een analyse van de inhoud van een boek (op basis van achterflaptekst, inhoudsopgave en/of tekstdelen om enerzijds een rubriek toe te kennen, anderzijds een onderwerpsterm. We streven ernaar om ieder boek op een gelijkaardige manier te analyseren en een ontsluiting op maat toe te kennen. Het gebruik van AI in deze lijkt ons onmisbaar.

Conclusie

In dit artikel hebben we besproken hoe artificiële intelligentie gebruikt kan worden om metadata te extraheren uit scans van titelpagina’s en zo het catalogiseren van boeken kan verbeteren. Voor het catalografieproject van KBR hebben we geëxperimenteerd met AI-technieken om metadata uit titelpagina’s te extraheren. We hebben een duurzame en op maat gemaakte tool gevonden binnen het Power Platform van Microsoft.

Het gebruik van AI heeft ons geholpen om de gegevens op titelpagina’s te interpreteren en belangrijke metadata zoals auteursnamen, publicatiedata en boektitels te extraheren. Dat heeft ons in staat gesteld om ontbrekende boeken in onze online catalogus op te nemen en een uitgebreidere en nauwkeurigere weergave van onze collectie te bieden. Hoewel er nog uitdagingen zijn en verdere ontwikkeling nodig is, hebben we met dit project aangetoond dat AI een waardevol hulpmiddel kan zijn bij het catalogiseren van boeken. Het biedt de mogelijkheid om processen te automatiseren en de efficiëntie te verhogen, waardoor bibliotheken beter kunnen voldoen aan de behoeften van hun lezers en onderzoekers

Als we naar de toekomst kijken, zien we nog meer mogelijkheden voor AI in de catalografie. Door voort te bouwen op de kracht van AI kunnen we blijven innoveren en de toegang tot informatie verder verbeteren. Met continue ontwikkeling en verbetering kunnen AI-gebaseerde tools een essentiële rol spelen bij het behoud en de promotie van cultureel erfgoed.