Eigenschaften extrahieren
Aus Rohfeldern werden 22 kunsthistorisch validierte Metadatenfelder.
Aufteilung von Daten entsprechend einem Datenmodell
Die Rohausgabe der Karteikartenerkennung liefert pro Karte fünf Textblöcke. Sie spiegeln zwar wider, was auf der Karte steht, sind aber noch nicht systematisch durchsuchbar: Eine Angabe zu den Lebensdaten steckt etwa noch im Künstlerfeld, eine Materialangabe in der Werkbeschreibung.
In diesem Schritt zerlegt eine KI jeden dieser Blöcke weiter und ordnet die Inhalte einem Datenmodell aus 22 Katalogfeldern zu — vom Künstlernamen über Lebensdaten, Standort, Material und Maße bis zur Provenienz und Fotograf:in. Damit werden aus Fließtext strukturierte Metadaten, die sich filtern, zählen und mit anderen Beständen verbinden lassen.
Technische Verarbeitung
Eingabe sind die JSON-Dateien aus dem vorherigen Schritt. Ein Gemini-2.5-Modell (Flash oder Pro, je nach Kartenqualität) wird über die Instructor-Bibliothek angesteuert, die mit Pydantic-Modellen ein strenges Ausgabeschema erzwingt: 22 Felder, verteilt auf fünf Kategorien (Origin, Location, Artwork Details, Classification, Photo Details).
Ein ausführlich ausgearbeiteter Systemprompt („Expert:in für Kunstgeschichte und Datenwissenschaft”) lehrt das Modell, mit OCR-Fehlern und Feldabweichungen flexibel umzugehen. Anschließend validiert eine Quervergleichs-Pipeline die Ausgabe gegen den OCR-Originaltext und erzeugt HTML-Reports zu möglichen Halluzinationen, Feldfehlern und fehlenden Inventarnummern.
Die strukturierten Daten landen in einer DuckDB-Datei (cards.duckdb), die als Analytics-Schicht für Statistiken über fehlende Felder, Vollständigkeit und Qualität pro Serie dient.
Datenquellen & Werkzeuge
- Eingabe: JSON aus Schritt 1
- Modell: Google Gemini 2.5 Flash/Pro über Instructor
- Schema: 22-Feld-Pydantic-Modell mit fünf Kategorien
- Ausgabe: Strukturiertes JSON, DuckDB-Analytics-Datenbank, HTML-Validierungsberichte
- Repository:
entity_extraction(intern)