Dorastałem z „Kaskadą”. Zanim pojawił się YouTube, zanim mogliśmy znaleźć wszystko w internecie – to właśnie ten magazyn był jednym z pierwszych regularnych źródeł informacji, jakie otrzymałem na temat żonglerki, cyrku i występów.
Kiedy magazyn został zamknięty w 2013 roku, poczułem, że to koniec pewnej ery – przynajmniej dla mnie.
Przez kilka lat magazyny były dostępne do pobrania w formacie PDF, ale około 2017 roku strona została wyłączona.
Często wspominałem małe warsztaty, tutoriale lub artykuły, które mnie wtedy inspirowały. Kiedy po latach chciałem coś ponownie przeczytać – nie było już takiej możliwości.

Na szczęście, korzystając z Wayback Machine (The Internet Archive), znalazłem punkt kontrolny z 2017 roku z kompletnymi plikami do pobrania (nie zawsze tak jest, zwłaszcza że było to około 3 GB plików PDF) – w tym wydania niemieckie, angielskie i francuskie.

Przeglądając je, zdałem sobie sprawę, że chociaż w magazynach ukrytych było wiele wspaniałych artykułów i tutoriali, to w dzisiejszych czasach mało kto przeglądałby 112 magazynów, które są jedynie skserowane. No cóż, chyba że ktoś ma nostalgiczne zainteresowania =P

Ponieważ szkoda byłoby stracić tę wiedzę, postanowiłem spróbować wykorzystać obecną technologię do zdigitalizowania tego wszystkiego w sposób, który będzie użyteczny również dzisiaj.

Najpierw usunąłem z PDF-ów wszystkie strony, które nie zawierały istotnych tekstów.

Do właściwej transkrypcji (lub OCR) użyłem multimodalnego modelu językowego Google.
Używam Gemini 2.0 Pro Experimental 02-05 z promptem:

The attached PDF is a photocopy of a magazine. Extract all text, keep the document structure intact as much as possible, also extract single images and have them correctly in context.

Wynik jest czyszczony za pomocą gemini-2.0-flash-exp i następującego promptu (oraz dołączonego tekstu, który wyodrębniliśmy):

The following text is extracted with OCR from an old magazin. Your task is to clean this up. Remove artifacts (like page-numbering, unneccessary linebreaks) or unneeded parts but keep the structure, articles etc. intact. Use a proper Markdown formatting to structure the text correctly.

Text:

Wynik jest następnie ponownie przeglądany i poprawiany ręcznie.

[!Danger]+ Ważne:
Skupiono się na wyodrębnianiu artykułów, warsztatów, wywiadów itp.
Ogłoszenia drobne itp. zostały odrzucone.
Ekstrakcja i czyszczenie tekstów odbywało się za pomocą LLM, dlatego istnieje zawsze możliwość, że teksty nie zostały przetranskrybowane 1:1 lub treść nieznacznie odbiega od oryginału. Starałem się zminimalizować wskaźnik błędów, porównując fragmenty tekstu wyrywkowo.

Kaskada 002:
W oryginalnym niemieckim pliku PDF wydania 2 i 3 są połączone.

Kaskada 003:
W oryginalnym niemieckim pliku PDF tutaj znajduje się wydanie 004.

Kaskada 004:
Brakuje strony tytułowej, nie udało mi się jeszcze ustalić, do czego ona należy...
Wygląda jak kopia wydania 009, bez strony tytułowej.

Naprawa:
Podzieliłem plik PDF Kaskady 002 (oryginalny) na 002 i 003.
Przemianowałem Kaskadę 003 (oryginalną) na Kaskadę 004.
Oraz usunąłem Kaskadę 004 (oryginalną).