Mit KI verborgene Schätze entdecken

Die Veränderung der biologischen Vielfalt und die zugrundeliegenden menschlichen Einflussfaktoren sind von hoher Relevanz für den Natur- und Umweltschutz. Ihre Analyse ist die Basis für effektive Maßnahmen gegen Biodiversitätsverlust und für Handlungsempfehlungen an Politik, Wirtschaft und Gesellschaft. Dabei sind historische Biodiversitätsdaten als Indikatoren für den Zustand von Ökosystemen in der Vergangenheit als Benchmarks unentbehrlich.
Solche Daten sind in großer Menge im Schriftgut naturhistorischer Sammlungen vorhanden: als Objektetiketten, in Eingangskatalogen und aus Reiseberichten, die bis ins 18. Jahrhundert zurückreichen. Diese Daten sind aber bislang nur in Einzelfällen erschlossen.

Ziel des Projekts ist die Erstellung einer KI-basierten Anwendung zur Extraktion solcher biodiversitätsbezogenen Daten aus historischen Sammlungsetiketten. Wir möchten eine Anwendung entwickeln, die die effiziente Informationsextraktion aus Digitalisaten von Sammlungsetiketten unter Verwendung von Methoden der künstlichen Intelligenz realisiert.

Der Beitrag des Projekts zum Natur-, Umwelt- bzw. Klimaschutz besteht in der Bereitstellung eines innovativen Werkzeugs, das die biodiversitätsrelevanten Daten in strukturierter Form für eine weitere Nutzung verfügbar macht.

Die Anwendung wird als Sequenz mehrerer funktioneller Module realisiert (Informationsextraktionspipeline). Mithilfe von KI werden innerhalb der Informationsextraktionspipeline die funktionellen Module der Layouterkennung, Zeichen- und Handschriftenerkennung auf syntaktischer Ebene (OCR, HTR) sowie die Erkennung von in den Dokumenten bezeichneten Entitäten auf semantischer Ebene (NER) realisiert.

Die hier angestrebte Informationsextraktion ist aufgrund der Komplexität der Struktur und des Inhalts der natürlichsprachlichen Dokumente erst durch die Entwicklung leistungsfähiger KI-Methoden im Bereich des Text Mining möglich geworden. Computergestützte Informationsextraktion wird erst durch den Einsatz hochdimensionaler Klassifizierungsverfahren möglich und ist mit anderen Ansätzen (z.B. reguläre Ausdrücke) nicht durchführbar.

Das Projekt ist Teil der kontinuierlichen Aktivitäten des Museums für Naturkunde im Bereich Sammlungserschließung und -entwicklung. Computergestützte, KI-basierte Technologien werden dabei eine wichtige Rolle spielen, entsprechend gehen wir von einer langjährigen Nutzung der Projektergebnisse auch für Weiterentwicklungen aus. 
Als modulare Anwendung zur Informationsextraktion können die Projektergebnisse von anderen Sammlungen nachgenutzt und auf weitere Use Cases ausgeweitet werden, z.B. die Extraktion von Informationen zu biologischen Eigenschaften der Sammlungsobjekte aus textlichen Überlieferungen.
Die im Projekt entwickelten Softwarebestandteile werden open source und unter einer freien Lizenz als Datenpublikationen über die entsprechenden Datenportale des Museums zur Verfügung gestellt.