Проекты по оцифровке исторического наследия занимают особое место в экосистеме Яндекса. Под неофициальным названием «Яндекс.Архивы» (или «Яндекс.Архивы России») объединяется ряд масштабных инициатив, направленных на сохранение, систематизацию и открытый доступ к культурным ценностям страны. Ключевой вектор — использование передовых технологий компьютерного зрения, машинного обучения и нейросетей для работы с массивами данных, которые невозможно обработать вручную;

Ключевые направления деятельности

• Газетные архивы: Оцифровка и распознавание полнотекстового содержания периодических изданий (проект «Яндекс.Газеты»).
• Книжные фонды: Работа с редкими и ценными книгами в рамках «Яндекс.Книг» и партнерств с библиотеками (РГБ, ГПИБ, региональные хранилища).
• Визуальное наследие: Оцифровка фотографий, открыток, плакатов, карт и планов городов («Яндекс.Коллекции», «Наследие»).
• Аудио и видео: Сохранение звукозаписей, кинохроник, устных историй.
• Архитектурная память: Проекты по 3D-сканированию и виртуальной реставрации утерянных или разрушенных зданий.

Технологический стек: Роль нейросетей

Главная сложность работы с историческими документами — их состояние: пожелтевшая бумага, сложные шрифты (дореволюционная орфография, дореформенная кириллица), пятна, сквозная печать, искажения сканирования. Традиционные OCR-системы (оптического распознавания символов) здесь бессильны.

Яндекс применяет каскад собственных нейросетевых моделей:

1. Детектирование макета (Layout Analysis): Модель сегментирует страницу на блоки: заголовки, колонки текста, иллюстрации, рекламу, заголовки статей, нумерацию страниц.
2. Распознавание текста (HTR/OCR): Специализированные модели, обученные на исторических шрифтах (включая дореволюционную типографику), преобразуют изображение в Unicode-текст.
3. Пост-обработка и языковые модели: Большие языковые модели (LLM) корректируют ошибки распознавания, восстанавливают пропущенные слова по контексту, нормализуют орфографию (например, приводят «ѣ», «і», «ѳ» к современному написанию для поиска, сохраняя оригинал для просмотра).
4. Именованные сущности (NER): Автоматическое выделение имен, географических названий, дат, организаций для построение -графов и умного поиска.

Яркий кейс: 108-летие газеты «Известия» (ноябрь 2026)

Свежий пример масштаба работ — проект к 108-летию газеты «Известия». К ноябрю 2026 года нейросети Яндекса завершили оцифровку и полнотекстовую обработку более 30 тысяч выпусков.

Что это дает пользователям и исследователям:

• Полнотекстовый поиск по 90+ годам истории: Можно найти упоминание любого события, фамилии, термина за секунды, не перелистывая микрофильмы.
• Хронология темы: Визуализация частотности упоминаний темы во времени (например, как менялось освещение индустриализации, войны, перестройки).
• Доступ к визуальному ряду: Нейросети выделили и проиндексировали фотографии, карикатуры, инфографику и рекламу, опубликованную в газете десятилетиями.
• Корпус для лингвистики и NLP: Уникальный размеченный датасет для обучения моделей на русском языке XX–XXI веков.

«Оцифровка 30 тысяч выпусков, это не просто сканирование. Это восстановление поискового слоя над историей страны. Нейросети «прочитали» то, что человеку потребовалось бы столетия, и сделали это знание доступным для каждого». — комментарий представителей Яндекса.

Платформы доступа: Где это искать?

Результаты работы попадают в открытые сервисы Яндекса:

Партнерская экосистема

Яндекс не работает в вакууме. Ключевые партнеры — федеральные и региональные учреждения:

• Российская государственная библиотека (РГБ) — основной партнер по книжным фондам.
• Государственная публичная историческая библиотека (ГПИБ).
• Российский государственный архив кинофотодокументов (РГАКФД).
• Региональные универсальные научные библиотеки (Екатеринбург, Новосибирск, Казань, Владивосток и др.).
• Издательские дома («Известия», «Коммерсантъ», «Аргументы и факты» и др.) — для легальной оцифровки авторских архивов.

Модель сотрудничества: Институт предоставляет доступ к оригиналам и правам, Яндекс вкладывает технологии сканирования, распознавания, хостинга и интерфейсов. Результат становится общедоступным.

Проблемы и вызовы

Несмотря на успехи, проект сталкивается с системными трудностями:

Авторское право и «серые зоны»

Большинство произведений XX века находятся под защитой авторского права (70 лет после смерти автора). Оцифровка и публикация полных текстов требует сложных переговоров с правообладателями. Часто публикуется только метаданные и фрагменты (сниппеты), а полный текст доступен только в читальных залах партнеров или по подписке.

Сохранение физических оригиналов

Цифровая копия не отменяет необходимости консервации бумаги. Сканирование — это контактный процесс, который может повредить изношенные экземпляры. Используются беспланетные сканеры и роботизированные комплексы, но риск остается.

Качество разметки сложных макетов

Газеты 1930-х годов с плотной версткой, формулами, нотами, сложными таблицами и вертикальным текстом остаются вызовом для Layout Analysis. Требуется ручная верификация критических выпусков.

Масштаб «Темного архива»

Оцифровано пока менее 5–10% фондов российских библиотек и архивов. Миллионы дел, описей, личных фондов ждут своей очереди. Финансирование и приоритезация — вечные вопросы.

Перспективы развития (2026–2030)

1. Мультимодальные модели: Переход от простого OCR к пониманию семантики страницы: «Это статья, а это реклама, а это картинка с подписью, связанной с текстом слева». Генерация кратких саммари (summary) для каждого выпуска.
2. Генеративный поиск по архивам: Пользователь спрашивает: «Как «Известия» освещали первый полет Гагарина в апреле 1961?» — и получает синтезированный ответ с цитатами и ссылками на конкретные страницы, а не просто список ссылок.
3. Цифровые двойники городов: Интеграция фотоархивов, планов, кадастровых данных и 3D-сканирований в «Яндекс.Карты» для иммерсивного путешествия по прошлому (Time Slider).
4. Краудсорсинг и коррекция: Внедрение механизмов, позволяющих пользователям исправлять ошибки распознавания (как в Википедии), с начислением бонусов (Плюсы, баллы).
5. Расширение регионального представительства: Приоритет — оцифровка прессы национальных республик и регионов (национальные языки, локальные истории).

Значение для науки и общества

Проект «Яндекс.Архивы» меняет парадигму исторической науки в России:

• Демократизация доступа: Исследователю из Магадана или Норильска больше не нужно ехать в РГБ или РГАЛИ за микрофильмом. Архив пришел к нему домой.
• Новые методологии (Digital Humanities): Возможность дистантного чтения (distant reading) — анализа тысяч текстов за раз: сетевой анализ персонажей, тематическое моделирование, стилометрия.
• Образование: Учителя истории и литературы получают готовые первоисточники для уроков (манефесты, репортажи с полей битв, рецензии на классиков).
• Семейная история: Поиск предков в списках награждений, эвакуационных ведомостях, объявлениях о пропавших без вести, страницах местных газет.

---

Инициатива по оцифровке архивов России — это стратегический инвестиционный проект Яндекса в «цифровой суверенитет памяти». Оцифровка 30 тысяч выпусков «Известий» к 108-летию, лишь вершина айсберга. Главная цель, создать единую, поискаемую, понятную машине и человеку базу знаний о прошлом страны. В эпоху генеративного ИИ именно качество и объем этих обучающих выборок (корпусов) определят, насколько точно будущие модели будут «понимать» русский контекст, историю и культуру. Архив перестает быть пыльным хранилищем и становится живым API для истории.

Статья актуальна на ноябрь 2026 года. Информация о проектах может обновляться; для доступа к актуальным коллекциям используйте официальные сервисы Яндекса и сайты партнеров (НЭБ, РГБ).