טיפול בהר ג’יגנטי של PDF של ממשלת ארצות הברית עם ראייה ממוחשבת

פורמט ה-PDF של Adobe התבסס כל כך עמוק בצינורות המסמכים של ממשלת ארצות הברית, כך שמספר המסמכים המונפקים על ידי המדינה הנמצאים כיום בקיום מוערך בעקביות להיות במאות מיליונים. לעיתים קרובות אטומים וחסרי מטא-נתונים, PDFs אלה – רבים שנוצרו על ידי מערכות אוטומטיות – מספרים קולקטיבית אין סיפורים או סאגות; אם אתה לא יודע בדיוק מה אתה מחפש, תהיה לך כנראה אף פעם לא מוצא מסמך רלוונטי. ואם הייתה לך, כנראה לא היית צריך את החיפוש.אולם, פרויקט חדש משתמש בראייה ממוחשבת ובגישות למידת מכונה אחרות כדי לשנות הר כמעט בלתי נגיש זה של נתונים למשאב בערך וניתן לחקירה עבור חוקרים, היסטוריונים, עיתונאים וחוקרים.

כאשר ממשלת ארצות הברית גילתה את פורמט המסמך הנייד (PDF) של Adobe בשנות ה-90, היא החליטה שהיא אוהבת אותו. לא כמו מסמכי Word שניתנים לעריכה, PDFs יכולים היו “אפויים” במגוון דרכים שהפכו אותם קשים או אפילו בלתי אפשריים לתיקון מאוחר יותר; גופנים יכולים היו להיות מוטמעים, תוך איפשור תאימות רב-פלטפורמות; והדפסה, העתקה ואפילו פתיחה יכולו היו להיות מופעלים ברמה גרנולרית.

יותר מכך, תכונות אלו היו זמינות בחלק מהמפרטים ה”בסיסיים” הישנים ביותר של הפורמט, ומבטיחים כי חומר ארכיוני לא יצטרך לעבור עיבוד מחדש או להיבדק שוב בהמשך כדי להבטיח נגישות. כמעט הכל שממשלת הפרסום הייתה זקוקה לו היה במקום עד 1996.

עם הוכחת קיום בלוקצ’יין וטכנולוגיות NFT הרחוקות עשורים, PDF היה קרוב ככל האפשר ל”מוות” של מסמך אנלוגי, רק מעט מהפך קונספטואלי ממשדר פקס. זה היה בדיוק מה שרצו.

מחלוקת פנימית על PDF

היקף בו PDFs הם הרמטיים, בלתי ניתנים לעיבוד ו”לא-חברתיים” מתואר במסמכים על הפורמט בספריית הקונגרס, המעדיף PDF כ”פורמט מועדף”:

‘המטרה העיקרית של פורמט PDF/A היא לייצג מסמכים אלקטרוניים בצורה ששומרת על הופעתם הוויזואלית הסטטית לאורך זמן, באופן עצמאי מהכלים והמערכות המשמשים ליצירה, אחסון או הצגת הקבצים. לשם כך, PDF/A מנסה למקסם עצמאות התקן, עצמאות ועצמאות.’

ההתלהבות המתמשכת מפורמט ה-PDF, תקנים לנגישות ודרישות לגרסה מינימלית, כולם משתנים ברחבי מחלקות ממשלת ארצות הברית. למשל, בעוד שסוכנות ההגנה הסביבתית מחזיקה במדיניות קפדנית אך תומכת, האתר הרשמי של ממשלת ארצות הברית plainlanguage.gov מודה כי ‘משתמשים שונאים PDF’, ואפילו מקשרים ישירות לדו”ח מ-2020 של Nielsen Norman Group PDF: עדיין לא מתאים לצריכה אנושית, 20 שנה אחרי.

בינתיים, irs.gov, נוצר ב-1995 במיוחד כדי להעביר את התיעוד של סוכנות המיסים לדיגיטלי, מיד אימץ PDF ועדיין תומך נלהב.

התפשטות ה-PDFs

מאז שאדובי שחררה את המפרטים הליבה של PDF לקוד פתוח, קבוצה של כלים וספריות עיבוד שרת צצו, רבים מהם כיום מכובדים ומושרשים כמו מפרטי PDF מ-1996, וכמו ספריות אילו, אמינות ועמידות בפני באגים, בעוד ספקי תוכנה מיהרו לש