Lê o arquivo. Nada escreve sem um arquivista.
O Scriba transforma registos digitalizados em documentos descritos, pesquisáveis e classificados quanto à sensibilidade: OCR para páginas dactilografadas, um modelo de visão e linguagem para manuscritos, rascunhos de metadados ISAD(G) com cada campo de IA assinalado, e uma pesquisa que responde com a página que encontrou. Corre numa única GPU dentro do arquivo, e nada chega ao catálogo sem uma pessoa o ter revisto.
A cadeia de custódia
01
Ingestão
Registos e objetos digitais sincronizados a partir do sistema de gestão de arquivo, pela sua API, só em leitura.
02
Leitura
Análise de layout, OCR nas páginas dactilografadas, transcrição por modelo de visão e linguagem nas manuscritas.
03
Descrição
Descrições de página, sumários, palavras-chave, descritores de assunto e campos ISAD(G), cada um assinalado como gerado por IA.
04
Classificação
Quatro níveis de sensibilidade, a partir da deteção de dados pessoais e de uma leitura do contexto de cada documento.
05
Indexação
Embeddings de texto, visuais e multi-vetoriais, fundidos com pesquisa de texto integral.
06
Revisão
Um arquivista confirma ou corrige a sensibilidade e os metadados no portal. Só os registos revistos seguem.
07
Escrita
Acrescentada ao catálogo pela mesma API, nunca sobrepondo, cada escrita registada.
O que faz
Lê dois tipos de página
As páginas dactilografadas passam por análise de layout e OCR em menos de um segundo cada. As manuscritas vão para um modelo de visão e linguagem que lê a página inteira, mais lento e mais tolerante à cursiva do século XIX.
Redige a descrição
Um modelo de linguagem auto-alojado escreve sumários, palavras-chave, descritores e campos ISAD(G) a partir do que foi lido, e confronta-os com a entrada já existente no catálogo. Cada campo gerado fica assinalado como tal, nos dados e no ecrã.
Sinaliza dados pessoais
A deteção de entidades encontra identificadores, moradas e contactos; um segundo modelo lê o contexto. O resultado é um de quatro níveis alinhados com o RGPD, de público a restrito, com a razão explicada ao arquivista.
Encontra por significado
Pesquisa semântica fundida com pesquisa de texto integral, semelhança visual entre imagens de página, um explorador de entidades e um chatbot que responde a partir das páginas recuperadas, cita ficheiro e página, e diz quando não encontra nada.
O que o arquivista vê
Um portal web, em português, construído à volta do trabalho de revisão e não à volta dos modelos. Quatro dos seus ecrãs carregam o dia a dia.
Arquivo
A hierarquia arquivística tal como sincronizada do catálogo, do fundo ao documento, com cada imagem de página e as sobreposições da IA: regiões de layout, texto reconhecido, a descrição gerada lado a lado com o original.
Revisão de sensibilidade
Cada ficheiro com o seu nível e a razão por trás dele. O arquivista altera o nível, deixa uma nota, e a alteração fica no registo de auditoria.
Garantia de qualidade
O que o catálogo diz de um registo ao lado do que a IA leu nele: uma data errada, um título que esconde o assunto real, uma entidade que ninguém indexou. As correções ficam locais até serem revistas.
Monitor do pipeline
Progresso por etapa, o que está em fila, o que falhou e porquê. Cada etapa é idempotente: uma página falhada volta a correr, não volta a ser importada.
Onde corre
- Numa única GPU de 32 GB dentro do arquivo. Onze modelos de pesos abertos revezam-se em perfis de memória agendados: ler, descrever, indexar e responder nunca disputam a mesma placa.
- Nenhuma página, transcrição ou pesquisa sai de casa. Não há fornecedor externo de IA no circuito nem fatura ao token.
- Liga-se ao sistema de gestão de arquivo já em uso pela sua API: só leitura na ingestão e, na escrita, apenas registos revistos, acrescentados, registados.
- Tudo está declarado em código e corre como um pequeno conjunto de contentores, para que a informática do próprio arquivo o consiga reiniciar, salvaguardar e mover.
O que não faz
- Ler manuscritos depressa. Um modelo de visão e linguagem demora minutos por página manuscrita, contra menos de um segundo numa dactilografada. Uma série manuscrita grande é uma questão de semanas, e a transcrição é um rascunho, não uma edição diplomática.
- Publicar um valor de exatidão que não mereceu. Medimos contra uma amostra congelada e transcrita à mão antes de citar um número, e até lá não citamos nenhum.
- Decidir o acesso sozinho. Os quatro níveis são um ponto de partida; o arquivista fixa o nível final, e o material histórico tende a ser sobreclassificado por desenho, nunca subclassificado.
- Escrever no catálogo sem supervisão. Nunca. O piloto processou duas séries documentais históricas de ponta a ponta e ainda não serve os munícipes.
Levar o Scriba a um arquivo
- 01
Ligar
Sincronização só de leitura dos registos e objetos digitais a partir do sistema de gestão de arquivo, para uma máquina com GPU que o arquivo detém. Ainda nada é escrito.
- 02
Uma série, de ponta a ponta
Uma primeira série documental percorre a cadeia inteira. Os arquivistas veem os resultados no portal em dias, no caso do material dactilografado, e mais tempo no caso dos manuscritos.
- 03
Rever
Revisão de sensibilidade e de metadados no portal, com correções e notas. É aqui que o arquivo ensina ao sistema o que quer.
- 04
Escrever
Só os registos revistos, acrescentados à descrição existente pela API do catálogo, de forma reversível e registada. Depois, a série seguinte.
Perguntas sobre o Scriba
O Scriba substitui o arquivista?
Não. Substitui a parte do trabalho para a qual nenhum arquivo tem tempo: ler todas as páginas, redigir uma descrição, detetar dados pessoais, indexar. O juízo fica com o arquivista, e o sistema está construído para não conseguir avançar sem ele: cada escrita no catálogo depende de uma revisão humana, e cada campo gerado fica assinalado como saída de IA nos próprios dados.
Que normas segue?
As descrições são redigidas em campos ISAD(G) e escritas no catálogo existente, não num catálogo paralelo. A sensibilidade usa quatro níveis alinhados com o RGPD, com correspondência no elemento de condições de acesso da ISAD(G), de público a restrito. Cada alteração feita no portal, e cada escrita, fica no registo de auditoria.
Lê manuscritos?
Sim, com ressalvas honestas. O OCR clássico lê bem e depressa as páginas dactilografadas. Na cursiva do século XIX não produz nada aproveitável, por isso as páginas manuscritas são transcritas por um modelo de visão e linguagem que lê a página como imagem. Esse caminho é lento, minutos por página, e produz uma transcrição de rascunho, boa para pesquisar e descrever, não uma edição diplomática. Não publicamos um valor de exatidão enquanto não for medido numa amostra congelada e transcrita à mão.
Para onde vão os dados do arquivo?
Para lado nenhum. O Scriba corre numa única máquina com GPU dentro do arquivo, com onze modelos de pesos abertos agendados para partilhar os seus 32 GB de memória. Páginas, transcrições, descrições e pesquisas ficam nessa máquina. Não há fornecedor externo de IA no circuito, e é isso que torna defensável a classificação de sensibilidade: os documentos classificados quanto a dados pessoais nunca são enviados a terceiros para serem lidos.
Com que sistemas de gestão de arquivo funciona?
Com qualquer sistema que tenha uma API de registos e objetos digitais. O piloto integra-se com o sistema de gestão já existente no arquivo através da sua API REST: ingestão só de leitura das descrições e dos ficheiros, e uma escrita condicionada que acrescenta o sumário de IA revisto à descrição existente sem a sobrepor. Adaptar o conector a outro sistema faz parte de uma instalação, não é um produto novo.
Um arquivo que ainda ninguém consegue pesquisar?
Diga-nos o que guarda, como está descrito hoje e que hardware tem. Voltamos com um plano para a primeira série, em português ou em inglês.
[email protected]