Bundesarchiv, yapay zekânın arşivlerde doğrudan erişim değerine dönüştüğü en güçlü Alman örneklerinden biridir. Kurum, özellikle Reichskolonialamt (kolonyal idare) dosyaları üzerinde elyazısı tanıma (HTR) teknolojisini üretim ortamına alarak, daha önce yalnızca görüntü olarak erişilebilen belgeleri tam metin aranabilir hâle getirmiştir. Bu uygulama, arşivcilikte uzun süredir devam eden “tarama var ama metne erişim yok” sorununu doğrudan çözen bir yaklaşımdır. Elyazısı gibi hem dilsel hem paleografik açıdan zor bir problem alanında HTR’nin başarılı biçimde uygulanması, teknolojinin artık deneysel bir aşamayı aştığını ve ölçülebilir kalite metrikleriyle (ör. hata oranları) yönetilebildiğini göstermektedir. Araştırmacılar açısından en büyük kazanım, belge içeriğinde anahtar kelime, kişi, yer ve bağlam temelli arama yapılabilmesi; dolayısıyla arşiv malzemesinin bulunabilirliğinin radikal biçimde artmasıdır. Bununla birlikte bu tür uygulamalar, hukuki ve kurumsal nedenlerle çoğu zaman önce kurum içi ağlar veya dijital okuma salonlarıyla sınırlı başlamakta, tam açık erişime geçiş ise kademeli olmaktadır. Buna rağmen Bundesarchiv, yapay zekâyı “vitrin teknolojisi” olarak değil, arşivsel erişimin çekirdeğinde konumlandırması nedeniyle öncü kabul edilmektedir.¹–⁵
Deutsche Nationalbibliothek, yapay zekâyı kütüphaneciliğin en kritik ve en zor ölçeklenen alanlarından biri olan konu ve üstveri üretimi için sistematik biçimde kullanan kurumdur. DNB, doğal dil işleme ve makine öğrenmesi yöntemleriyle yayınları otomatik olarak konu başlıklarıyla ilişkilendirmeyi ve bunları Gemeinsame Normdatei (GND) üzerinden otorite kontrollü biçimde semantik olarak bağlamayı hedefleyen resmî bir KI projesi yürütmektedir. 2025 yılında yayımlanan açık erişimli uygulama çalışması, DDC tabanlı sınıflama ile GND tabanlı sözel konu indekslemenin hangi algoritmik yaklaşımlarla ve hangi kurumsal iş akışları içinde kullanıldığını ayrıntılı biçimde ortaya koymaktadır. Dijital yayın hacminin sürekli arttığı bir ortamda, elle konu verme süreçlerinin sürdürülemez olduğu düşünüldüğünde, bu yaklaşım ulusal ölçekte bilgi erişiminin tutarlılığını ve hızını doğrudan artırmaktadır. Ancak otomatik indeksleme, hata riskini tamamen ortadan kaldırmaz; bu nedenle insan denetimli hibrit modeller, kalite ölçümü (precision/recall) ve geri besleme döngüleri temel bir gereklilik olarak öne çıkar. DNB’nin ayırt edici gücü, bu kalite güvencesi mekanizmalarını kurumsal standart hâline getirmiş olmasıdır.⁶–¹⁰
Bayerische Staatsbibliothek ise yapay zekâyı, üretim dijitalleştirme süreçleri ile araştırmacıya açık altyapıları birleştiren bir ekosistem yaklaşımıyla kullanan kurumdur. Kütüphane, uzun süredir sürdürdüğü OCR tabanlı kitlesel dijitalleştirme faaliyetlerini kurumsal iş akışlarına entegre etmiş; bu metinleştirilmiş içerikleri IIIF standartları üzerinden yeniden kullanılabilir hâle getirmiştir. Buna ek olarak BSBlab çatısı altında dijital beşerî bilimler odaklı projeler yürütülmekte, araştırmacıların koleksiyonlar üzerinde deneysel analizler, karşılaştırmalı okumalar ve anotasyonlar yapabilmesine imkân tanınmaktadır. Semantik keşif ve kavramsal arama gibi AI tabanlı yaklaşımlar bazı durumlarda pilot ve dış sağlayıcılarla yürütülse de, bu çalışmalar klasik katalog aramasının ötesine geçen yeni bilgi keşfi biçimlerini test etme açısından önemlidir. BSB’nin temel gücü, “koleksiyon + araştırmacı + araç” üçlüsünü aynı kurumsal çerçevede bir araya getirmesi ve açık standartlar üzerinden sürdürülebilir bir yeniden kullanım zemini sunmasıdır.¹¹–¹⁵
Bu üç kurum birlikte değerlendirildiğinde, Almanya’da yapay zekânın kültürel miras alanında tek tip bir çözümle değil, tamamlayıcı stratejilerle uygulandığı görülmektedir. Bundesarchiv erişimi dönüştüren HTR uygulamalarıyla, DNB ulusal bibliyografyayı ölçeklendiren otomatik metadata ve semantik bağlama sistemleriyle, BSB ise açık altyapılar ve araştırma odaklı inovasyon hattıyla öne çıkmaktadır. Bu çeşitlilik, Avrupa ölçeğinde kültürel miras projeleri için hem teknik hem de kurumsal açıdan aktarılabilir ve çoğaltılabilir bir referans çerçevesi sunmaktadır.
Dipnotlar:
- Mühlberger, G., et al. (2019). Transforming scholarship in the archives through handwritten text recognition: Transkribus as a case study. Journal of Documentation, 75(5), 954–976.
- Terras, M. (2022). Inviting AI into the archives: The reception of handwritten text recognition. Archival Science.
- Nockels, J. (2024). The implications of handwritten text recognition for accessing historical archives. White Rose Research Online.
- Hodel, T., et al. (2021). Feasibility and state of the art: German Kurrent as an example. Journal of Open Humanities Data.
- Romein, C. A., et al. (2025). Assessing advanced handwritten text recognition engines. Springer Open.
- Poley, C., et al. (2025). Automatic subject cataloguing at the German National Library. Liber Quarterly.
- Kähler, M. (2025). Ergebnisse aus drei Jahren KI-Projekt an der DNB. OPUS4.
- Mödden, E. (2022). Artificial intelligence, machine learning and bibliographic control. Journal of Librarianship and Information Science.
- Suominen, O., et al. (2021). Annif and Finto AI: Developing and implementing automated subject indexing. Doria.
- Boros, E., et al. (2022). Knowledge-based contexts for historical named entity recognition and linking. CEUR Workshop Proceedings.
- Reul, C., et al. (2019). OCR4all—An open-source OCR workflow for historical printings. Applied Sciences.
- Lassner, D., et al. (2021). Publishing an OCR ground truth data set for reuse. Zeitschrift für digitale Geisteswissenschaften.
- Snydman, S., Sanderson, R., & Cramer, T. (2015). The International Image Interoperability Framework (IIIF). D-Lib Magazine.
- Manoni, P. (2022). Discoverability in the IIIF digital ecosystem. Journal of Librarianship and Information Science.
- Raemy, J. A. (2023). Implementation of the IIIF Presentation API 3.0. arXiv.