Quais formatos de documento a IA pode catalogar não é uma pergunta de extensões: é uma pergunta de acervo. Uma instituição digitaliza tarde, aos poucos e com o que tem à mão. Na mesma pasta convivem o PDF de um relatório, a digitalização de um expediente em papel, a fotografia de uma ficha ou de uma obra, e um arquivo de texto que alguém exportou de um sistema que já não se usa. Catalogar isso, se cada tipo obriga a um tratamento à parte, vira um trabalho prévio: abrir, reconhecer, e só então descrever.
O Janium Collect toma esses arquivos como estão e um modelo de linguagem lê-os. O destino é o mesmo: um registro de catálogo no formato que a instituição já usa. Quem cataloga deixa de preparar o material formato por formato e passa a revisar o que o sistema propõe.
O PDF
O PDF é o contêiner no qual mais material digitalizado chega a um arquivo, a uma biblioteca ou a um centro de documentação. Umas vezes nasceu digital: um relatório, uma tese, um boletim. Outras é o resultado de passar papel por um digitalizador: cada folha é uma imagem dentro do mesmo arquivo. Para quem cataloga a distinção importa —um pode buscar-se por palavra, o outro não—, mas os dois precisam de um registro, e os dois entram no Collect como PDF.
O que o sistema lê é o documento, não o nome do arquivo. De um relatório ou de um expediente produz duas saídas. O registro de catálogo: título, autor, data, matérias, produtor, as datas da unidade. Completa o que a fonte não trazia quando o modelo pode sustentar, e deixa marcado o que inferiu.
E o texto do documento em markdown estruturado: o que o PDF dizia, com cabeçalhos, listas e tabelas quando se conservam, numa forma que se pode indexar e mostrar. Esse markdown não substitui o registro. Serve para buscar em texto completo, para consultar o conteúdo junto à ficha, e, se a instituição precisar, para uma camada de RAG sobre um texto já ancorado ao registro. Como se ordenam essas camadas está em Pontos de acesso, texto completo e RAG.
Um PDF longo —um relatório de dezenas de páginas, uma memória, um expediente grosso— cataloga-se como uma peça: o registro descreve essa peça. O markdown conserva o corpo, para localizar uma frase ou ler o texto sem voltar ao original. Um PDF ilegível ou quase vazio produz um registro pobre e um markdown pobre: a qualidade das duas saídas segue a do material, não a substitui.
A imagem
Uma imagem num acervo não é um adorno do registro: muitas vezes é o documento. A fotografia de uma ficha de museu, de uma capa, de um plano, de uma página que não chegou a passar a PDF, de uma obra. O Collect lê-a e propõe o registro a partir do que se vê.
Isso cobre duas situações que convém não misturar. Quando a imagem é o objeto —uma fotografia histórica, uma obra, um plano—, o que sai é uma descrição do visível. Quando a imagem reproduz um documento —uma ficha, uma página, um rótulo—, o que se lê é o texto ou os dados que estão nessa reprodução. Em ambos os casos o arquivo é uma imagem; o registro que corresponde não é o mesmo.
A imagem não declara o que não está nela. Uma foto de um quadro não traz o número de inventário nem as medidas; uma foto de uma ficha, sim, se a ficha as traz. Combinar o que se vê com o que está escrito é o tema de Da imagem e da ficha ao registro.
O texto simples
Há acervos cujo material já não é um fac-símile senão texto: uma exportação de um sistema anterior, notas de inventário, um despejo de um sítio, um arquivo que alguém guardou porque era o único que restava da descrição. O Collect lê-o como lê um documento: o conteúdo é o texto, e daí sai o registro.
O limite é o do próprio arquivo. Um texto com título, datas e nomes dá para um registro útil. Uma lista de códigos sem contexto dá para pouco, e o sistema não fabrica o contexto que o arquivo não traz. O que a fonte não declara e o modelo não pode sustentar fica sem preencher.
O que também entra
Um relatório ou uma ata num documento de escritório —Word e semelhantes— também pode catalogar-se. Em muitas instituições esse material convive com o PDF e com as imagens: é produção interna que nunca passou por um digitalizador. O Collect toma-o; o registro sai igual, no formato do catálogo.
O áudio e o vídeo são outro tipo de fonte. De uma gravação ou de um vídeo também sai um registro, e esses casos têm a própria explicação: de uma gravação sonora a um registro e de um vídeo a registros vinculados.
Uma planilha usada como inventário —cada linha uma obra, um livro, uma unidade— não se cataloga como se fosse mais um documento. Aí o material já vem tabulado; o que a coluna declara transfere-se ao registro, e o Collect completa o que falta quando a planilha só identifica.
O registro que sai
Não importa se o arquivo é um PDF, uma fotografia ou um texto: o Collect propõe a ficha em Dublin Core, MARC21, ISAD-G ou CDWA, conforme o que a instituição já usa. O catálogo não muda de norma porque o acervo chegue misturado. Do PDF, além disso, fica o markdown do corpo, para buscá-lo e consultá-lo.
Quem cataloga recebe registros para revisar, não um lote fechado. Um PDF nítido e uma imagem borrada não produzem a mesma certeza, e o sistema sinaliza quando o registro não chega. A heterogeneidade de formatos deixa de ser um trabalho prévio; continua a ser, quando o original é mau, um problema de qualidade do acervo.
Onde estão os limites
Um formato que o Collect não cobre não se cataloga. A cobertura alcança o habitual de um acervo digitalizado —PDF, imagem, texto, documentos de escritório— e não é universal. Um formato proprietário pouco comum ou muito antigo pode ficar de fora; convém sabê-lo antes de assumir que entra.
A leitura não repara o original. Uma digitalização ilegível, uma fotografia subexposta ou um texto truncado não se tornam um bom registro porque o modelo «complete». Completar é enriquecer o que se pode sustentar; não é suprir um documento que não se deixa ler.
Para continuar a conversa
Se a sua instituição tem o acervo repartido entre PDF, imagens e texto, e o gargalo é tratar cada tipo como um caso à parte antes de catalogar, isto é o que o Collect tenta aliviar. Escreva-nos em info@janium.com; interessa-nos ver como está misturado o seu material e em que formato o descreve, porque isso muda o que se pode esperar.