Franco Cordero: riorganizzazione e descrizione dell'archivio con l'AI
Italia - Franco Cordero: Riordino e descrizione dell'archivio mediante intelligenza artificiale
L'archivio digitale di Franco Cordero, importante giurista che ha dato un contributo fondamentale al diritto processuale penale, è costituito da documenti nativi digitali conservati sul computer utilizzato dallo studioso: principalmente file di testo e, in misura minore, immagini ed e-mail. L'organizzazione dei documenti digitali rispecchia sostanzialmente la struttura delle cartelle presente sul computer.
Trasformare il suo computer personale in un archivio ha rappresentato una sfida per il Polo del Novecento, ma una sfida importante, considerando che un numero crescente di fondi archivistici storici si presenterà in questo formato, man mano che si procederà alla conservazione della documentazione del XXI secolo. Grazie al contributo del bando APE per la digitalizzazione, il Polo realizzerà le seguenti attività:
- Ricognizione e descrizione archivistica, inclusa la catalogazione analitica basata sull'intelligenza artificiale.
- Riordino e strutturazione dell'archivio, attraverso un sistema di IA per automatizzare la catalogazione e la ricerca dei contenuti.
- Importazione delle descrizioni archivistiche nella piattaforma 9centRo Vivo ed esportazione delle descrizioni in formato EAD/CSV per l'importazione nel portale Archives Portal Europe (APE).
La piattaforma realizzata è disponibile al seguente indirizzo: 9centRo Vivo – Polo del '900.
Prima di procedere al riordino e all'inventariazione dell'archivio, potrebbe essere necessario effettuare una selezione dei materiali, eliminando le cartelle vuote, i file duplicati, le cartelle contenenti istruzioni per il funzionamento dei programmi ed eventualmente altri documenti.
La descrizione archivistica sarà analitica, con l'obiettivo di esaminare i dati nella loro completezza, a partire dal livello delle cartelle fino ai singoli documenti informatici corrispondenti alle unità documentarie.
Dall'analisi del fondo archivistico emergono due linee temporali: una personale, corrispondente alla dimensione più intima e intellettuale di Cordero, espressa attraverso le sue "Pagine di diario riguardanti vicissitudini, contatti, appunti e riflessioni di carattere personale, professionale e politico", un diario tenuto da Cordero dal giugno 2002 al giugno 2017; e una pubblica, scandita dalle sue pubblicazioni e dagli articoli scritti per le principali testate giornalistiche nazionali.
Dal punto di vista della conservazione, sarà necessario migrare i file nel formato PDF/A, idoneo a garantirne la conservazione a lungo termine, mantenendo i formati JPG, MP3 e WMV, convertendo le e-mail nel formato .eml e gli eventuali allegati nel formato PDF/A.
La piattaforma web basata sull'intelligenza artificiale per l'integrazione degli archivi culturali del Polo prevede due categorie distinte di utenti (amministratori e pubblico), con livelli differenziati di accesso ai contenuti dell'archivio Cordero.
Il progetto comprende la definizione delle politiche di accesso e dei marcatori di visibilità dei metadati, nonché l'implementazione delle regole di accesso lato server e dei controlli di filtraggio a livello di interfaccia.
Prevede inoltre lo sviluppo di una pagina di amministrazione degli utenti per la gestione dei ruoli degli iscritti, l'adeguamento delle visualizzazioni esistenti alle politiche di accesso definite e l'ottimizzazione del sito per i motori di ricerca e la condivisione dei contenuti. Quest'ultima comprende la configurazione dei meta tag, la predisposizione delle anteprime per la condivisione sui social network e l'implementazione di dati strutturati per arricchire i risultati delle ricerche online.
Il lavoro svolto con l'intelligenza artificiale ha previsto:
Estrazione e verifica a più livelli:
Ogni persona, luogo, opera, evento e organizzazione individuati nei documenti archivistici vengono sottoposti a un processo di verifica in due fasi.
In primo luogo, un modello di IA identifica e classifica le entità candidate. Nella seconda fase, al modello viene richiesto di citare il passaggio esatto del testo originale che giustifica ciascuna estrazione.
Questo significa che ogni entità estratta è collegata a uno specifico passaggio del testo originale. Quando l'utente passa il mouse su un'entità nella barra laterale, il passaggio corrispondente viene evidenziato nel testo, consentendo di verificare esattamente ciò che l'IA ha individuato.
Se il modello non è in grado di identificare un passaggio concreto a sostegno dell'estrazione, l'entità viene scartata.
Modelli implementati localmente:
Il nucleo centrale della pipeline di estrazione opera su un'infrastruttura gestita internamente (self-hosted).
Questi modelli sono stati selezionati per le loro prestazioni e per la possibilità di essere eseguiti interamente su hardware locale, garantendo il pieno controllo sull'ambiente di elaborazione dei dati.
Modelli API con conservazione dei dati pari a zero:
Per alcune attività specifiche e complesse, come la disambiguazione o il confronto incrociato delle informazioni contenute in centinaia di pagine, vengono utilizzati modelli accessibili tramite API.
Vengono trasmessi esclusivamente dati non sensibili e sono selezionati soltanto fornitori che garantiscono la mancata conservazione dei dati (zero data retention): i prompt e gli output non vengono memorizzati dopo la generazione della risposta.
Gli impegni del Polo:
- Tracciabilità completa: ogni entità estratta dall'IA è collegata al passaggio pertinente del testo originale.
- Sovranità dei dati: soltanto dati non sensibili vengono trasmessi a servizi esterni.
- Trasparenza: i modelli di IA utilizzati sono documentati e il loro ruolo all'interno della pipeline di elaborazione è descritto chiaramente.
- Modelli aperti: viene data priorità a modelli di IA open-source e utilizzabili anche a fini commerciali, che possano essere adottati da qualsiasi istituzione.
