การจัดการภูเขา PDF ของรัฐบาลสหรัฐฯ ด้วยการมองเห็นของคอมพิวเตอร์

รูปแบบ PDF ของ Adobe ได้กลายเป็นส่วนหนึ่งของกระบวนการสร้างเอกสารของรัฐบาลสหรัฐฯ มากจนจำนวนเอกสารที่ออกโดยรัฐที่มีอยู่ในปัจจุบันคาดว่าจะมีหลายร้อยล้านเอกสาร PDF เหล่านี้มักจะไม่โปร่งใสและขาดเมตาดาต้า ทำให้การค้นหาเอกสารที่เกี่ยวข้องเป็นเรื่องที่ท้าทาย อย่างไรก็ตาม โครงการใหม่กำลังใช้การมองเห็นของคอมพิวเตอร์และการเรียนรู้ของเครื่องจักรเพื่อเปลี่ยนภูเขาแห่งข้อมูลที่ยากจะเข้าถึงนี้ให้เป็นทรัพยากรที่มีค่าและสามารถสำรวจได้สำหรับนักวิจัย นักประวัติศาสตร์ นักข่าว และนักวิชาการ

เมื่อรัฐบาลสหรัฐฯ ค้นพบรูปแบบ PDF ของ Adobe ในช่วงทศวรรษ 1990 มันจึงตัดสินใจที่จะใช้รูปแบบนี้ เนื่องจากรูปแบบ PDF สามารถ “อบ” ได้หลายวิธี ทำให้สามารถแก้ไขหรือเปลี่ยนแปลงได้ยากหรือเป็นไปไม่ได้ นอกจากนี้ ฟอนต์สามารถฝังเข้าไปในเอกสารได้ ทำให้สามารถอ่านได้บนหลายแพลตฟอร์ม และสามารถควบคุมการปริ้นท์ การคัดลอก และการเปิดเอกสารได้อย่างละเอียด

สิ่งสำคัญที่สุดคือคุณสมบัติหลักเหล่านี้มีอยู่ในข้อกำหนดพื้นฐานของรูปแบบ ซึ่งให้ความมั่นใจว่าเอกสารเก่าจะไม่ต้องถูกประมวลผลหรือเข้าชมใหม่เพื่อให้แน่ใจว่าสามารถเข้าถึงได้ เกือบทุกสิ่งที่รัฐบาลต้องการในการเผยแพร่เอกสารมีอยู่แล้ว ในปี 1996

ด้วยเทคโนโลยี blockchain และ NFT ที่ยังอยู่ห่างออกไป รูปแบบ PDF จึงเป็นเอกสาร “ไม่มีชีวิต” ที่ใกล้เคียงที่สุดในยุคดิจิทัลที่เกิดใหม่ ซึ่งเป็นเพียงข้อผิดพลาดทางแนวคิดจากแฟกซ์เท่านั้น ซึ่งเป็นสิ่งที่ต้องการอย่างแน่นอน

ความไม่เห็นด้วยภายในเกี่ยวกับ PDF

ระดับที่ PDF เป็นเอกสารที่ปิดที่สุด ไม่สามารถเข้าถึงได้ และ “ไม่มีสังคม” ถูกอธิบายไว้ใน เอกสาร เกี่ยวกับรูปแบบ PDF ที่หอสมุดรัฐสภา ซึ่งให้ความชอบรูปแบบ PDF เป็น “รูปแบบที่ต้องการ” ของมัน:

‘วัตถุประสงค์หลักของรูปแบบ PDF/A คือการแสดงเอกสารอิเล็กทรอนิกส์ในลักษณะที่รักษาหน้าตาสถิติของมันไว้ตลอดเวลา โดยไม่ขึ้นอยู่กับเครื่องมือและระบบที่ใช้ในการสร้าง จัดเก็บ หรือแสดงไฟล์ เพื่อจุดประสงค์นี้ PDF/A พยายามที่จะเพิ่มความเป็นอิสระของอุปกรณ์ การบรรจุภัณฑ์เอง และการอธิบายเอง’

ความกระตือรือร้นอย่างต่อเนื่องต่อรูปแบบ PDF มาตรฐานสำหรับการเข้าถึง และข้อกำหนดสำหรับรุ่นที่น้อยที่สุด แตกต่างกันไปตามกระทรวงต่างๆ ของรัฐบาลสหรัฐฯ ตัวอย่างเช่น ในขณะที่สำนักงานคุ้มครองสิ่งแวดล้อมมีนโยบายที่เข้มงวดแต่สนับสนุนในเรื่องนี้ เว็บไซต์อย่างเป็นทางการของรัฐบาลสหรัฐฯ plainlanguage.gov รับทราบ ว่า ‘ผู้ใช้เกลียด PDF’ และแม้แต่เชื่อมโยงโดยตรงไปยัง รายงาน ของ Nielsen Norman Group ในปี 2020 ที่มีชื่อว่า PDF: ยังคงไม่เหมาะสมสำหรับการบริโภคของมนุษย์ 20 ปีต่อมา

การแพร่กระจายของ PDF

ตั้งแต่นั้นมา รูปแบบ PDF ก็แพร่กระจายไปทั่วทุกที่ในกระบวนการสื่อสารและการจัดทำเอกสารของรัฐบาลสหรัฐฯ

ในปี 2015 Phil Ydens รองประธานฝ่ายวิศวกรรมของ Document Cloud ของ Adobe ประมาณการ ว่ามีเอกสาร PDF 2.5 ล้านล้านเอกสารที่มีอยู่ในโลก ในขณะที่รูปแบบ PDF คิดเป็น 6-11% ของเนื้อหาทางเว็บ

PDF ที่ต้านทานการวิเคราะห์

โครงการของนักวิจัยจากมหาวิทยาลัยวอชิงตันและหอสมุดรัฐสภาใช้วิธีการเรียนรู้ของเครื่องจักรหลายวิธีเพื่อพัฒนาระบบที่สามารถค้นหาและวิเคราะห์เอกสาร PDF ได้อย่างรวดเร็ว

การวิเคราะห์โดยใช้การมองเห็นของคอมพิวเตอร์

โครงการนี้มีจุดมุ่งหมายเพื่อใช้การมองเห็นของคอมพิวเตอร์เพื่อทำความเข้าใจเอกสาร PDF และค้นหาเอกสารที่เกี่ยวข้อง

การแก้ไขข้อมูลที่ไม่สมดุล

นักวิจัยพบว่าข้อมูลที่ใช้ในโครงการมีความไม่สมดุล เนื่องจากเอกสารส่วนใหญ่มีขนาดเล็ก

สถาปัตยกรรม

โครงการนี้ใช้การประมวลผลภาพและข้อความเพื่อทำความเข้าใจเอกสาร PDF และค้นหาเอกสารที่เกี่ยวข้อง

การค้นหาข้อความใหม่

โครงการนี้มีจุดมุ่งหมายเพื่อทำให้ผลการค้นหาข้อความมีความหมายมากขึ้น และช่วยให้ผู้ใช้สามารถสำรวจเอกสารได้อย่างง่ายดาย

การวิเคราะห์ภาพ

โครงการนี้ใช้การวิเคราะห์ภาพเพื่อทำความเข้าใจเอกสาร PDF และค้นหาเอกสารที่เกี่ยวข้อง

การดิ้นรนกับขนาดของเอกสารรัฐบาลที่เกิดจากดิจิทัล: การเคลื่อนไหวสู่การประมวลผลและค้นหา PDF หลายล้าน เขียนโดย Benjamin Charles Germain Lee (ที่ Paul G. Allen School for Computer Science & Engineering) และ Trevor Owens, Public Historian in Residence และ Head of Digital Content Management ที่หอสมุดรัฐสภาในกรุงวอชิงตัน ดี.ซี

* การแปลงอ้างอิงแบบอินไลน์เป็นลิงก์

ตีพิมพ์ครั้งแรกเมื่อวันที่ 28 ธันวาคม 2021