200 000 рукописей в очереди. ИИ из ИВ РАН взялся читать арабские архивы в 2—3 раза быстрее

Институт востоковедения РАН показал систему, которая распознаёт, вычитывает и переводит арабские рукописи в одном потоке. Для исследователей это попытка наконец сдвинуть с места давнюю проблему: документы сканируют, складывают в архивы, а до нормальной работы с ними часто доходят только спустя годы. По словам разработчиков, на хороших копиях ИИ берёт на себя почти всю рутину, а на сложных и повреждённых текстах ускоряет работу специалистов в 2—3 раза.

Это не обычный OCR, который просто угадывает буквы по картинке. Система смотрит шире: сначала на предложение, потом на весь текст. Если место совсем спорное, она пытается восстановить утраченные слова по смыслу и по языковым закономерностям. Для арабской каллиграфии это особенно полезно: почерки разные, орфография плавает, а сами рукописи нередко дошли до нас в таком состоянии, что классические инструменты распознавания буксуют на каждом втором фрагменте.

Разработчики описывают модель как рабочее место для востоковеда, а не как кнопку «перевести всё». Машина переписывает текст со скана, предлагает перевод, помогает с вычиткой, а решение всё равно остаётся за человеком. В прикладной филологии такой подход уже привычен: ИИ убирает самую тяжёлую по времени часть, а эксперт проверяет смысл, контекст, имена и культурные детали.

Почему для арабских рукописей это важнее, чем для обычных PDF

С печатными документами OCR давно научился справляться. А вот рукописи, особенно восточные, по-прежнему остаются очень неудобной задачей: нестандартные начертания, поблёкшие чернила, пятна, разрывы, архаичная лексика, да ещё и никаких единых правил записи. Там, где обычная система видит только шумные штрихи, языковая модель пытается понять, какое слово вообще могло стоять в этой фразе и как оно связано с соседними.

Само направление не новое. В Европе для исторических архивов уже используют Transkribus — платформу для рукописей и архивных коллекций. В академической среде часто вспоминают Kraken, open source-инструмент, который применяют в том числе к арабским и османским текстам. Есть и пример из соседней области: DeepMind делала Ithaca, систему для восстановления повреждённых древнегреческих надписей и их датировки по контексту. Российская разработка отличается тем, что собирает распознавание, проверку и перевод в один рабочий процесс и заточена именно под востоковедческий сценарий.

Для российских архивов это не какая-то узкая академическая история. По оценкам самих исследователей, в стране хранится более 200 тысяч восточных рукописей, и значительная часть этих фондов описана очень поверхностно. Если превратить сканы в машиночитаемый корпус, с ними можно работать уже не «по одной тетради в год», а обычным поиском по массиву: искать совпадения между версиями текста, имена, географию, цитаты, перекрёстные ссылки между документами.

И вот тут появляется более широкий сценарий, на который намекают разработчики. Такие алгоритмы пригодятся не только медиевистам, но и бизнесу, редакциям, архивам, крупным организациям с залежами старых документов. McKinsey ещё в 2023 году оценивала экономический эффект генеративного ИИ для разных отраслей в 2,6—4,4 трлн долларов в год, и обработка документов там была одной из самых понятных точек применения. Всё упирается в то, что люди слишком много времени тратят на перепечатку, сверку и поиск по плохо оцифрованным массивам.

Следующий шаг проекта выглядит довольно прямолинейно: масштабирование на другие восточные языки и расширение корпуса. Здесь проблема будет не только в самой модели, но и в данных для обучения — для редких письменных традиций хороших размеченных архивов всегда мало. Если команде удастся собрать такие наборы, у российских гуманитариев появится инструмент, который меняет не одну операцию, а весь способ работы с источниками.