Esta série atravessa dois mundos: o da catalogação —bibliotecas, arquivos, museus— e o da inteligência artificial. Cada um traz o seu vocabulário, e nem todos conhecem os dois. Esta é uma referência breve dos termos que mais aparecem. Se você vem de um acervo, a seção de IA lhe será útil; se vem da IA, a de catalogação.
Inteligência artificial
Modelo de linguagem (LLM)
O tipo de inteligência artificial por trás de ferramentas como o ChatGPT: um programa treinado com enormes quantidades de texto que, a partir do que lê, identifica, resume e completa informação. “LLM” é a sigla em inglês (large language model). Neste blog é o que lê o documento e propõe o registro.
Modelo de fronteira
Os modelos de linguagem mais capazes e recentes, operados por grandes fornecedores e acessíveis pela internet (na nuvem). Rendem melhor nos casos difíceis, mas processar com eles implica enviar-lhes o material. Contrapõem-se a um modelo local, que roda na infraestrutura da instituição.
Anonimização e tokens
Substituir os dados pessoais de um texto por marcadores neutros —os tokens— antes de enviá-lo a um serviço externo, e restaurá-los ao voltar. Reduz a exposição de dados pessoais, embora não garanta que não reste nenhum.
OCR — reconhecimento óptico de caracteres
Converter a imagem de um documento digitalizado em texto que uma máquina pode ler. É o passo prévio quando o material é uma digitalização sem texto selecionável.
ASR — transcrição automática
Converter voz em texto. Em áudio e vídeo é o que produz a transcrição da qual se extrai o registro. “ASR” é a sigla em inglês (automatic speech recognition).
Infraestrutura e soberania
On-premise
Que o processamento roda nos servidores da própria instituição, não num serviço de terceiros. O material não sai.
Air-gapped
Uma rede isolada, sem conexão à internet. O grau máximo de soberania: o sistema funciona sem se comunicar com o exterior.
Soberania de dados e residência de dados
O princípio de que certa informação não pode sair da instituição —ou do país— que a custodia, por lei, por política ou pelo tipo de conteúdo. Desenvolvido em Catalogar com IA sem que o material saia da instituição.
Normas de catalogação
MARC21 / UNIMARC
O formato padrão para registros bibliográficos em bibliotecas. Estrutura a descrição em campos e subcampos codificados.
Dublin Core
Um conjunto simples de campos para descrever qualquer recurso de forma interoperável. Menos detalhado que o MARC, mais fácil de intercambiar.
ISAD-G
A norma internacional de descrição arquivística. Descreve o material numa hierarquia —fundo, seção, série, unidade— onde importam a proveniência e o contexto, não apenas a peça isolada.
CDWA
O padrão para descrever obras de arte e objetos culturais, com o vocabulário do Getty. Distingue a obra da sua reprodução.
Controle de autoridade
O mecanismo que garante que uma mesma pessoa, entidade ou matéria seja sempre registrada da mesma forma, confrontando-a com listas de referência —VIAF, ISNI, os vocabulários do Getty, ou o catálogo da própria instituição—. Evita que um mesmo autor entre no índice com três grafias diferentes.
Falta algum termo que você gostaria de ver aqui? Escreva para info@janium.com.