La transcripción manual de miles de manuscritos medievales ha sido, hasta hace muy poco tiempo, una tarea propia de titanes que requería décadas de trabajo especializado. Sin embargo, un equipo interdisciplinar de investigadores en humanidades computacionales del Centro Inria de Paris, en colaboración con el CNRS y otras instituciones europeas, ha logrado automatizar este proceso mediante el uso de inteligencia artificial generativa. A través del proyecto CoMMA, los expertos han conseguido procesar un volumen masivo de documentos que ahora se pone a disposición de la comunidad científica internacional.
En apenas cuatro meses, este sistema ha transcrito 32.763 manuscritos, un hito que abre una ventana sin precedentes al estudio del patrimonio escrito de la Edad Media. No es la primera vez que la inteligencia artificial se pone al servicio del legado medieval: hace poco, otro sistema logró rescatar textos ocultos en palimpsestos, y la tecnología se ha empleado también para recrear episodios de nuestra historia. El proyecto no solo destaca por su velocidad, sino por su capacidad para manejar la complejidad de textos escritos entre los siglos VIII y XVI en diversas lenguas, incluyendo el latín y el francés antiguo. Esta iniciativa permite que documentos que antes estaban relegados al olvido por la dificultad de su lectura sean ahora accesibles para historiadores, filólogos y curiosos de todo el mundo.
¿Qué es el proyecto CoMMA y cómo funciona?
El proyecto CoMMA (Corpus de Manuscrits Médiévaux Automatisés) es el resultado de años de investigación en el campo de las humanidades computacionales. Su objetivo principal es la conversión de imágenes de documentos antiguos en texto digital editable y searchable. Para lograrlo, el equipo se apoyó en un trabajo previo de estandarización denominado CATMuS, iniciado en 2022, que estableció las normas necesarias para que una máquina pudiese aprender a leer escrituras que carecen de ortografía fija.
A diferencia de otros modelos de lenguaje que intentan predecir la siguiente palabra basándose en el contexto, esta herramienta utiliza un enfoque técnico más específico. El sistema emplea dos algoritmos principales: uno se encarga de reconocer la estructura de la página (identificando ilustraciones, notas al margen y cuerpo del texto) y el otro realiza la transcripción propiamente dicha. Esta tecnología se basa en herramientas como eScriptorium y Kraken, desarrolladas originalmente en la Universidad PSL.
Una de las claves de su eficacia es que el modelo se centra más en el reconocimiento de imágenes que en la comprensión profunda del lenguaje. Según los investigadores, esto es fundamental para evitar extrapolaciones erróneas o «alucinaciones» de la IA, especialmente cuando se enfrenta a abreviaturas medievales complejas o símbolos antiguos, como la tradicional ese larga o el uso primitivo de la letra ampersand (&).
¿Por qué es importante este avance?
La magnitud del corpus generado por CoMMA no tiene comparación con esfuerzos anteriores. Para entender el salto cuantitativo, basta observar las cifras de palabras procesadas. En el caso del francés antiguo, el corpus más grande disponible hasta la fecha contaba con 11 millones de palabras; con este proyecto, la cifra ha ascendido a 516 millones de palabras. En latín, el crecimiento ha sido igualmente notable, pasando de 226 millones a 2.700 millones de palabras digitalizadas.
Este volumen de datos permite realizar estudios estadísticos que antes eran imposibles. Las implicaciones para la ciencia son variadas:
- Permite comprender mejor la evolución lingüística y los cambios en los dialectos europeos a lo largo de ocho siglos.
- Facilita el estudio de la evolución de las puestas en página y el uso de abreviaturas en diferentes épocas.
- Saca a la luz textos que habían sido ignorados por los investigadores debido a su difícil acceso o legibilidad.
- Proporciona datos suficientes para entrenar futuras inteligencias artificiales especializadas exclusivamente en textos antiguos.
Además, el margen de error del modelo es notablemente bajo. Tras realizar verificaciones manuales de control, los expertos determinaron que la tasa de error es de apenas un 9,7%. Aunque todavía existen dificultades con las escrituras cursivas más cerradas o manuscritos extremadamente antiguos que no formaron parte del entrenamiento inicial, el resultado se considera altamente fiable para la investigación académica.
Contexto y equipos detrás de la innovación
Este logro es el fruto de una colaboración estrecha entre expertos en tecnología y especialistas en historia. El equipo está liderado por figuras como Thibault Clérice, investigador del equipo Almanach en Inria, y Ariane Pinche, investigadora del CNRS. También han participado instituciones como la Universidad de Ginebra y la École Nationale des Chartes, aportando conocimientos en paleografía latina y humanidades digitales.
Para alimentar al algoritmo, el equipo recurrió al catálogo de Biblissima+, una infraestructura que agrupa enlaces a más de 260.000 manuscritos digitalizados de diversas instituciones, incluida la Biblioteca Nacional de Francia. Los investigadores seleccionaron un conjunto inicial de 300 manuscritos estandarizados (unas 200.000 líneas de texto) para entrenar al modelo antes de lanzarlo a la producción masiva de los 32.000 documentos finales.
La interdisciplinariedad ha sido el motor del éxito. Sin el conocimiento de los paleógrafos para corregir y guiar el aprendizaje de la máquina, los ingenieros no habrían podido descifrar las sutilezas de los pergaminos medievales. Este esfuerzo colectivo garantiza que el patrimonio cultural no solo se conserve en imágenes, sino que sea plenamente inteligible.
¿Qué significa esto para el futuro?
El éxito de CoMMA marca el inicio de una nueva era para las ciencias humanas y sociales. Al eliminar la barrera de la transcripción manual, especialistas en historia del arte, medicina antigua o filosofía pueden colaborar de forma transversal utilizando una base de datos común. Es una herramienta que democratiza el acceso al conocimiento medieval, permitiendo búsquedas temáticas o temporales en segundos sobre millones de páginas.
El futuro del proyecto ya mira hacia nuevas fronteras lingüísticas. El equipo tiene previsto ampliar el corpus incluyendo otros idiomas como el español, el italiano, el neerlandés o el veneciano. El objetivo es que los investigadores de toda Europa puedan beneficiarse de estas transcripciones automáticas, permitiendo que la inteligencia artificial siga rescatando del silencio los testimonios escritos de nuestro pasado común.
La imagen de representación de este artículo pertenece a la biblioteca de Biblissima+.
