Automação para a filologia da USP
Imageamento multiespectral e leitura de manuscritos históricos com IA
Duas frentes com o mesmo objetivo: tirar trabalho manual das mãos de pesquisadores que não são técnicos, sem prometer mágica.
Motivador
A equipe de filologia trabalha com documentos dos séculos XVII e XVIII. Duas dores apareceram: recuperar trechos rasurados em manuscritos, e o trabalho manual de traçar letra por letra para montar alfabetos e exercícios de leitura em um guia digital paleográfico.
Problema
Na primeira frente, o software de imageamento multiespectral exigia manipular 16 imagens espectrais e combiná-las, o que travava o uso por quem não programa. Na segunda, a demanda chegou misturando três problemas técnicos distintos, e um deles apontava para a direção oposta da dor real.
Solução
Frente 1, imageamento multiespectral: prototipei a automação do processamento das 16 imagens espectrais em composições coloridas, com foco em usabilidade para usuário não técnico. Usei IA para gerar os scripts em Python e o navegador para orquestrar o fluxo.
Frente 2, leitura paleográfica: em vez de aceitar o pedido como veio, decompus a demanda em três coisas diferentes. Separar letras é segmentação de caracteres, hoje superada como etapa isolada. Transcrever o texto é reconhecimento de escrita manuscrita, e esse era o alvo real. E a ferramenta de gerar fontes que a equipe citou faz o inverso do que se queria: ela não reconhece nada.
Comparei seis caminhos com critério explícito de adequação ao corpus, custo, soberania dos dados e esforço, incluindo uma plataforma de referência com modelo público para português dos séculos XVI a XIX, uma alternativa aberta e auto-hospedável, e modelos de visão de propósito geral.
Fechei com uma direção incremental e barata: prova de conceito comparando as vias em uma página do corpus, medindo taxa de erro contra transcrição de referência, antes de comprometer com qualquer solução. E propus derivar a separação de letras do reconhecimento já alinhado, em vez de traçar à mão.
Resultado
- A automação do imageamento multiespectral saiu do papel como protótipo, com o processamento acessível a quem não é técnico.
- A avaliação da leitura paleográfica devolveu à equipe uma leitura honesta do que resolve a dor deles e do que não resolve, com cinco perguntas objetivas para fechar escopo.
- Nada foi implementado antes da validação, de propósito. O combinado registrado foi validar o escopo antes de construir.
O que eu tirei daqui
- Parte relevante do trabalho de produto é recusar o pedido literal e devolver o problema certo, sem desautorizar quem pediu.
- Em contexto acadêmico, soberania dos dados é requisito, não preferência. Isso muda a lista de soluções viáveis.
- Uma tabela comparativa honesta, com o que ainda não foi validado marcado como tal, vale mais que uma recomendação confiante demais.
Onde a IA entrou
Cada etapa do ciclo do projeto, com o quanto a IA pesou nela.
Decomposição de um pedido que misturava três problemas técnicos, com a correção de premissa feita de forma explícita e respeitosa.
Estado da arte de reconhecimento de escrita manuscrita, incluindo benchmarks recentes de modelos de visão, com fontes e ressalvas sobre o que ainda não foi validado em português setecentista.
Documento de avaliação com tabela comparativa, direção recomendada e perguntas abertas, escrito para leitor não técnico.
Comparação entre nuvem e auto-hospedagem considerando soberania de dados do corpus.
Scripts de processamento das imagens espectrais gerados com IA e ajustados para uso por pessoa não técnica.
Proposta de medir taxa de erro de caractere contra transcrição de referência como critério de decisão.
Modelo de visão para transcrição e reconhecimento de escrita manuscrita como motor da solução avaliada.
Timeline e marcos
-
2026
Frente 1: imageamento multiespectral
Protótipo da automação do processamento das 16 imagens espectrais em composições coloridas.
-
Jul/2026
Recebimento da segunda demanda
E-mail da pesquisadora com exemplo, dois artigos de segmentação e referências de ferramentas.
-
Jul/2026
Avaliação inicial entregue
Decomposição em três problemas, comparativo de seis ferramentas e direção recomendada.
-
07/jul
Retorno enviado à equipe
Resposta com nota de segurança de dados, testes rápidos com modelos de visão e hipótese de solução local.
Ferramentas
IA e modelos
Processamento
Avaliação
Resumo STAR
Quer conversar sobre um desafio parecido?
Fale comigo