Gebäude disambiguieren

Architekturfotos werden mit Wikipedia-Artikeln zusammengeführt.

Karteikarten mit Bauwerksnormdaten abgleichen

Viele Karteikarten der Photothek dokumentieren Bauwerke — Kirchen, Schlösser, Wohnhäuser, Industriegebäude. Damit sie auf einer Karte darstellbar sind, mit anderen Beständen verknüpft und gemeinsam recherchiert werden können, müssen sie eindeutig identifiziert und mit Geocodes versehen werden:

In diesem Schritt sucht eine mehrstufige Pipeline für jedes Gebäude den passenden Wikipedia-Artikel. Standort, Gebäudetyp und sogar die beschreibenden Elemente der Karten dienen dabei als Indizien, d. h. sie erhöhen die Konfidenz beim Abgleich. Der Treffer wird gegen jedes verfügbare Detail abgeglichen — was unsicher bleibt, wird ausdrücklich als unsicher markiert.

Der Bauwerksabgleich erfolgte im ersten Schritt auf die Datentabellen, die die Photothek in einem Digitalisierungsprojekt mit Google Arts & Culture erstellt hat. Die stärkere Einheitlichkeit der Tabellendaten hat die Etablierung eines solchen maschinellen Abgleichs vereinfacht. Ein großer Bestand der topografischen Aufnahmen der Photothek ist sowohl über das historische Inventar als auch in den Tabellendaten erfasst, damit war diese erste Arbeitspipeline auch für das historische Inventar nutzbar und führte zu einem ersten vereinheitlichten Datenset „Topographie Deutschland” (TopDE).

Dieselbe Pipeline kam anschließend zum Einsatz, um den Normdatenabgleich auf den gesamten, deutlich größeren Kartenbestand auszuweiten. Neben den rund 111.000 vorhandenen Foto-Metadatensätzen (den „gsheets”, Quelle des TopDE-Laufs) und den eingescannten Karteikarten (Photothek, THY u. a.) trat als dritte, eigenständige Quelle der bereits strukturierte HiDA-Katalog des ZI hinzu: rund 136.000 Datensätze mit sauberen, kuratierten Orts- und Bauwerksfeldern, die über die Inventarnummer mit den gescannten Karten abgeglichen wurden und dort fehlende oder unsichere Angaben ergänzten, ohne bereits Belegtes zu überschreiben. Insgesamt umfasst der bearbeitete Gesamtbestand rund 710.000 Karten aus diesen drei Quellarten.

Die Ortsangaben der gescannten Karten sind häufig stark verkürzt wiedergegeben, insbesondere bei Museumsnamen wie „Nat.Gal.”, „Gem.Gal., Dresden”, „Mus.d.bild.K.”.

Beim Geoabgleich stand zunächst das Identifizieren von Entitäten im Vordergrund — auch im Hinblick darauf, dass ein wesentliches Ziel der Photothek die Etablierung eines Knowledge Graph ist. Geocodes wurden zunächst über Wikidata gewonnen.

In der weiteren Analyse der generierten Daten hat sich gezeigt, dass dieser Abgleich auf Gebäude die tatsächliche Information nicht vollständig abdeckt — etwa Wohnbebauung, die unter ihrer Adresse erfasst war, blieb so außen vor. Deshalb wurde der Abgleich von Entitäten durch einen Abgleich über einen Geoindex ergänzt.

Aus dieser Beobachtung ist ein methodischer Grundsatz geworden, der die Pipeline heute prägt: die saubere Trennung von Entität, Adresse und Koordinate. Eine Entität ist das reale, werkhaltende Bauwerk oder die Institution, die sich einer Wissensdatenbank (Wikidata/Wikipedia) zuordnen lässt. Eine Adresse ist eine Angabe auf Straßenebene, die auch dann existieren kann, wenn keine eindeutige Entität ermittelt wurde — und umgekehrt. Und es wird konsequent zwischen drei Ergebnistypen unterschieden:

  • Bauwerk (building) — ein konkretes Gebäude wurde erkannt und verknüpft.
  • Umgebung (enclosing) — kein Bauwerk, aber der Ort (Straße/Viertel/Stadt) ließ sich bestimmen.
  • Nichts (none) — es ließ sich nichts Belastbares zuordnen.

Nur im Fall Bauwerk wird das Entitätsfeld gefüllt; in den anderen Fällen bleibt es bewusst leer, statt einen ungefähren Treffer als vermeintlich exakte Zuordnung zu führen. Beide Abgleichsergebnisse — Entität und, wo vorhanden, separat aufgelöste Adresse — sind in den Daten transparent und nachvollziehbar, jeweils mit Herkunftsnachweis.

Technisches Vorgehen

Die Pipeline läuft vollständig lokal und arbeitet pro Gebäude in drei aufeinander aufbauenden Stufen:

Stufe A — Verorten und Kandidaten suchen. Ganz ohne KI geschieht zunächst dreierlei:

  1. Geocoding-Anker — eine lokale Photon-Instanz (PHOTON_URL) löst die Ortsangabe zu Koordinaten auf. Bei unklaren Adressen arbeitet sich _resolve_address_anchor schrittweise von Straße → Stadtteil → Stadt nach oben und liefert zusätzlich die Granularität des Treffers. Code: search/geo_anchor.py, pipeline/run_city.py.
  2. Boosted Wikipedia-Suche — boosted_search fragt den lokalen Elasticsearch-Index dewiki_content (WP_INDEX_ES_URL) mit Titel, Ort und Geo-Boost (Radius 25 km um den Anker) ab und liefert Top-K-Treffer inklusive wikidata_id, Koordinaten und Distanz zum Anker. Code: search/boosted.py, search/client.py.
  3. OSM-Abkürzung — derselbe Photon-Server liefert OSM-POIs in Ankernähe; deren name-Tag wird per exaktem title.keyword-Lookup gegen dewiki_content aufgelöst. Trifft oft, wenn die OSM-Datenbank den Bauwerksnamen besser kennt als die ES-Volltextsuche.
  4. Einschließende Kandidaten — zusätzlich werden Artikel zu den übergeordneten Verwaltungseinheiten geladen, damit die Entscheidung „trifft nur den Ort, nicht das Gebäude” als ausdrückliche Option zur Verfügung steht.

Erst danach greift — nur beim schwierigen Rest — ein Sprachmodell.

Stufe B — Erneut suchen und gegenprüfen (LLM-Query-Expansion, optional). Wirkt der Top-Treffer aus Stufe A „schwach” (eine feste Regel entscheidet das, nicht das Modell selbst), schlägt ein LLM alternative Wikipedia-Titel vor, die anschließend erneut gegen dewiki_content und Wikidata gefahren werden. Die ursprünglichen Kandidaten bleiben dabei im Rennen: Jeder neu gefundene Vorschlag wird gegen den Anker geprüft und muss sich gegen die Originaltreffer behaupten, statt sie unbemerkt zu ersetzen. Code: pipeline/anchor_expand.py.

Stufe C — Die Entscheidung. Drei Pfade in dieser Reihenfolge:

  • Cache-Treffer aus früheren Läufen, sofern Prompt-Version und Modell-Tag übereinstimmen. Cache unter data/.judge_cache/.
  • ES-Gate: liegt der Top-Treffer nahe am Adress-Anker, hat einen distinktiven Titelabgleich und einen großen Score-Abstand zum Runner-up → Konfidenz 95, ganz ohne LLM-Aufruf.
  • LLM-Richter (QwenMLXJudge): in-process MLX-Runtime mit mlx-community/Qwen3.6-35B-A3B-4bit. Bekommt Gebäudetitel, Ort, Foto-Hinweise sowie Building- und Enclosing-Kandidaten und gibt JSON mit kind (building/enclosing/none), index, confidence, reasoning zurück. Code: pipeline/llm_judge.py, providers/qwen_mlx.py.

Der Lauf schreibt eine Zeile pro Gebäude in ein JSONL an (data/full_results.jsonl), ist SIGINT-sicher fortsetzbar und nutzt persistente Caches für Judge-, OSM- und Expansion-Aufrufe, sodass sich Korrekturen und Wiederholungen ohne Mehrkosten einspielen lassen. Code: pipeline/run_full.py, pipeline/run_city.py.

Adressauflösung

Unabhängig von der Bauwerks-Entscheidung wird für jede geografische Entität in einem eigenen Schritt eine Adresse auf Straßenebene aufgelöst — als eigene, klar getrennte Angabe. Eine dreistufige Herkunftsleiter kommt zum Einsatz, von der zuverlässigsten zur schwächsten Quelle:

  1. Aus Wikidata — trägt die Entität eine hinterlegte Straßenadresse, wird diese (ergänzt um Postleitzahl und Stadt) übernommen und in Koordinaten übersetzt. Regelfall, rund 43.700 Entitäten.
  2. Aus dem Kartentext — liegt keine Wikidata-Adresse vor, wird versucht, aus dem Freitext der Karte eine Straßenadresse herauszulesen. Nur Treffer auf Straßen-/Adressebene werden übernommen. Rund 18.600 weitere Adressen.
  3. Kein Treffer — ist beides nicht möglich (rund 96.700 Entitäten), fällt die Darstellung auf den groben Regionsanker (Land/Bundesland) zurück.

Jede Adresse trägt ihren Herkunftsnachweis (address_source) mit.

Vorverarbeitung der Anker-Anfrage (optional)

Die Qualität des Photon-Treffers entscheidet maßgeblich über alles, was danach kommt — ohne Anker greift keine Geo-Boost-Suche. Zwei opt-in Flags transformieren die Anker-Anfrage, bevor sie an Photon geht; ein drittes Flag deaktiviert den LLM-Richter für Maschinen ohne Apple Silicon:

  • --use-libpostal — libpostal parst die Ortszeichenkette in Straße / Hausnummer / Stadt und prependet die Adress-/Straßen-Kandidaten in die Coarsening-Ladder. Ersetzt die bisherige Komma-/Bindestrich-Heuristik. Code: search/preproc.py. Benötigt das [libpostal]-Extra (nativer Build, ~2 GB Datendatei).
  • --llm-expand-anchor — Qwen-MLX schreibt die Anker-Anfrage vor dem Photon-Lookup um (z. B. „Nat.Gal., Berlin” → „Nationalgalerie, Berlin”). Code: pipeline/anchor_expand.py. On-disk-Cache unter data/.judge_cache/anchor_expansion.json.
  • --no-judge — schaltet den LLM-Richter komplett ab; nur Cache + ES-Gate. Für Läufe auf Nicht-Apple-Hardware oder zum reinen Vermessen der ES/Photon-Schicht.

Messung (n=100, reine Photon-Trefferquote)

Vier A/B(/C)-Experimente am 2026-05-25 verglichen die drei Anker-Varianten auf zwei Eingabe-Samples — siehe docs/photon-preprocessing.md:

EingabeA direktB libpostalC LLM-Expansion
cards (abgekürzt)445890
gsheets (kanonisch)778983 (9 Regressionen)
  • libpostal: kleiner, regressionsfreier Gewinn auf beiden Samples (0 / 1 Regressionen von 100). Soll Default werden, sobald ein voller Lauf die Regressionsrate ≤ 1 % bestätigt — bis dahin opt-in.
  • LLM-Expansion: dominanter Hebel auf den abgekürzten Archiv-Strings (44 → 90, Beispiele: Gem.Gal., Dresden → Gemäldegalerie Alte Meister; Nat.Gal., Berlin → Nationalgalerie; St. Kolumba, Köln → Madonna in den Trümmern). Schädlich auf bereits sauberen Eingaben: ersetzt funktionierende Queries durch welche, die Photon nicht matcht (Burg, Kaiserstallung → generische „Kaiserburg”; Basilika St. Bonifaz → „Sankt-Bonifatius-Straße”). Daher gezielt für die unverlinkten Karteikarten einschalten, nicht für die schon kanonisch beschrifteten gsheets-Bestände.

Die beiden Flags lassen sich kombinieren; jede gewählte Variante wird im JSONL-Feld anchor_expansion protokolliert.

Ergebnis im Überblick

Über die drei getrennten Läufe (Produktion, Nacherschließung der zuvor ausgeschlossenen Karten, gsheet/TopDE) wurden rund 159.000 geografische Entitäten gebildet. Am Ende sind von den rund 710.000 Karten des Gesamtbestands rund 471.700 (rund 66 %) mit einer geografischen Entität verknüpft, davon rund 341.800 mit einem konkreten Bauwerk. Ein von Kuratorinnen und Kuratoren geprüfter Referenzdatensatz (120 Fälle) bestätigt für die eigentliche Verknüpfung eine Genauigkeit von rund 67 % exakt korrekter Treffer (rund 73 %, wenn man nur die Fälle betrachtet, in denen der richtige Artikel überhaupt unter den Kandidaten war); die geografische Verortung selbst gelingt in Stichproben zu 99–100 %. Eine ausführlichere, auf Kunsthistorikerinnen und Kunsthistoriker zugeschnittene Darstellung von Datenherkunft, Verfahren und Qualitätssicherung — inklusive der Aufschlüsselung nach Quellbeständen, Buckets und Läufen — findet sich in georeferenzierung-methodik-de.md.

Datenquellen & Werkzeuge

  • Eingabe: eingescannte Karteikarten (Photothek, THY u. a.), der strukturierte HiDA-Katalog des ZI (rund 136.000 Datensätze, per Inventarnummer abgeglichen) sowie data/photos_per_building_refined.json (~17.400 Gebäude mit Standort und Fotonachweisen aus den vorhandenen gsheets-Foto-Metadaten), generiert per entity-linking-geo-export-photos aus der Tabelle gsheets in cards.duckdb.
  • Geocoder & POI-Lookup: lokale Photon-Instanz (PHOTON_URL, Default http://127.0.0.1:2322/api/); per docker compose up -d photon startbar, einmaliger Download des Germany-OSM-Dumps ~3 GB (siehe docs/photon-setup.md).
  • Index: lokaler Elasticsearch-Index dewiki_content (WP_INDEX_ES_URL, WP_INDEX_NAME, deutsche Wikipedia); wikidata_id und wikidata_url werden direkt aus dem Index gelesen — kein separater Wikidata-Aufruf. Befüllt durch das Schwesterprojekt wp-index.
  • LLM-Richter & Anker-Expansion: lokal via MLX, Modell mlx-community/Qwen3.6-35B-A3B-4bit (optionales [mlx]-Extra).
  • Adress-Parser: lokal via libpostal (optionales [libpostal]-Extra).
  • IIIF-Auflösung: read-only DuckDB an --duckdb (zikg_id → iiif_paths); fällt bei fehlender Datei sauber zurück.
  • Ausgabe: append-only JSONL (data/full_results.jsonl), per entity-linking-geo-import zurück in cards.duckdb als Tabellen geodata und card_geodata.
  • Repository: entity-linking-geo (intern). 2026 aus geo-agent/ herausgelöst; siehe docs/migration-plan.md.

Ausblick

Beide Vorverarbeitungs-Flags liefern auf gegensätzlichen Eingabe-Typen jeweils klare Gewinne — der naheliegende nächste Schritt ist daher eine zeilenweise Routing-Entscheidung statt einer prozessweiten. Eine is_abbreviated()-Heuristik (z. B. Punkte in kurzen Institutionentokens, niedrige Token-Anzahl) soll künftig pro Karteikarte entscheiden, ob die LLM-Expansion lohnt. Die Pipeline schreibt das Feld anchor_expansion bereits ins JSONL, sodass die Heuristik gegen einen vollen Lauf auditiert werden kann. Sobald ein voller Lauf mit --use-libpostal die geringe Regressionsrate bestätigt, wird libpostal zum Default und das Flag entfällt.