Tekoäly arkistoissa ja dokumenttien hallinnassa

Informatec Digital » Resurssit » Tekoäly arkistoissa ja dokumenttien hallinnassa

Pilvipohjaiseen tiedosto- ja dokumenttienhallintaan sovellettu tekoäly muuttaa perusteellisesti tapaamme työskennellä tiedostojen, historiallisten asiakirjojen, hallinnollisen dokumentaation ja kaikenlaisten asiakirjojen kanssa. Yrityksissä, yliopistoissa ja julkishallinnoissa luodaan päivittäin satoja tai tuhansia asiakirjoja, ja ilman hyvää järjestelmää niistä voi helposti tulla kaoottinen sotku, jota on mahdotonta käyttää.

Mielenkiintoista on, että tekoälyn ansiosta nämä dokumentit lakkaavat olemasta pelkkiä tallennettuja tiedostoja ja niistä tulee aktiivisia tiedonlähteitä päätöksenteossa . Teknologiat, kuten optinen tekstintunnistus, luonnollisen kielen käsittely ja koneoppiminen, mahdollistavat sisällön paremman paikantamisen, tylsien tehtävien automatisoinnin ja tiedostojen saatavuuden paljon laajemmalle yleisölle.

Arkistotiede tekoälyn aikakaudella

Arkistotiede, joka ymmärretään tieteenalana, joka käsittelee asiakirjojen koko elinkaaren hallintaa (luonti, organisointi, pitkäaikainen säilytys ja käyttö), on asteittain sisällyttänyt tietojenkäsittelytieteen ja kokee nyt laadullisen harppauksen tekoälyn avulla. Kyse ei ole pelkästään digitalisoinnista, vaan asiakirjojen sisällön todellisesta hyödyntämisestä.

Viime vuosina on julkaistu systemaattisia tutkimuksia, joissa on tarkasteltu tekoälyn vaikutusta arkistoihin ja analysoitu akateemista kirjallisuutta tietokannoissa, kuten Scopus, SciELO, LISA ja Google Scholar, käyttäen menetelmiä, kuten PICOC ja PRISMA. Nämä tutkimukset osoittavat, että vaikka monien ammattilaisten keskuudessa on vielä jonkin verran tietämyksen puutetta, käytännön sovellukset ovat jo hyvin konkreettisia.

Selkeimpiä tekoälyn saavutuksia arkistotieteessä ovat avustettu digitaalinen säilyttäminen, automaattinen metadatan luominen ja käsin kirjoitetun tekstin tunnistus (HTR) . Näitä täydentävät koneoppimisen ja luonnollisen kielen käsittelysovellukset, jotka parantavat tiedonhakua ja -hakua edistäen demokraattisempaa pääsyä arkistokokoelmiin.

Vaikka tekoäly kehittyy nopeasti, kaikki instituutiot eivät vielä hyödynnä sen potentiaalia täysimääräisesti . Monet arkistot käyttävät edelleen erittäin manuaalisia menettelyjä joko resurssien puutteen, käytettävissä olevien työkalujen tuntemuksen puutteen tai haluttomuuden muuttaa prosessejaan ja noudattaa ISO 27000 -standardeja vuoksi.

Tekoälyn observatorio arkistoissa

Espanjan toiminnasta erottuu erityisesti arkistojen tekoälyn observatorio , eri autonomisten yhteisöjen ja organisaatioiden ammattilaisista koostuva työryhmä, joka seuraa tiiviisti tekoälyn soveltamista tällä alalla ja edistää hyviä käytäntöjä.

Observatorioon kuuluu asiantuntijoita Murcian alueelta, Santiago de Compostelan yliopistosta, Valencian itsehallintoalueelta, Baleaareilta, Sant Cugat del Vallèsin kaupunginvaltuustosta, Madridin itsehallintoalueelta, Navarran itsehallintoalueelta, Kataloniasta, Baskimaasta, Kastilia ja Leónista, valtionarkistojen pääosastolta ja muista tahoista . Tämä alueellinen ja organisatorinen monimuotoisuus mahdollistaa erittäin laajan näkökulman tarpeisiin ja hankkeisiin.

Ryhmää koordinoi Santiago de Compostelan yliopiston arkistonjohtaja Désirée Domínguez Pallas , joka edistää kokemusten vaihtoa ja pohdintaa älykkäiden järjestelmien käyttöön arkistojen hallinnassa liittyvistä teknisistä, eettisistä ja organisatorisista haasteista.

Tällaiset aloitteet eivät kannusta tekoälyn käyttöönottoa eristyksissä ja epäorganisoidusti, vaan pikemminkin teknisten kriteerien, tosielämän esimerkkien ja yhteisten työtapojen jakamiseen , mikä on olennaista julkisten arkistojen johdonmukaisen etenemisen kannalta.

Keskeiset tekoälykäsitteet dokumenttienhallinnassa

Kun puhumme tekoälyn soveltamisesta dokumentteihin ja tiedostoihin, mukaan tulee useita teknologioita, jotka yhdessä mahdollistavat dokumenttien sisältämien tietojen lukemisen, ymmärtämisen, luokittelun ja hyödyntämisen . Tärkeimpiä teknologioita ovat OCR, luonnollisen kielen käsittely ja koneoppiminen sekä hakukoneet, kuten Elasticsearch.

Optinen tekstintunnistus (OCR) muuntaa asiakirjojen kuvat (skannaukset, valokuvat, kuvista luodut PDF-tiedostot) muokattavaksi ja käsiteltäväksi digitaaliseksi tekstiksi. Nykyiset OCR-moottorit pystyvät käsittelemään monimutkaisia ​​fontteja ja jopa tiettyjä käsin kirjoitettuja merkkejä, mikä avaa oven suurten historiallisten kokoelmien käsittelyyn.

Luonnollisen kielen käsittely (NLP) mahdollistaa koneiden analysoida ja ymmärtää ihmiskieltä. Näiden tekniikoiden avulla on mahdollista parantaa hakuja, poimia entiteettejä (henkilöitä, paikkoja, päivämääriä), tiivistää asiakirjoja, kääntää tekstejä ja luoda automaattisia kuvauksia monien muiden toimintojen ohella.

Koneoppiminen puolestaan ​​perustuu malleihin, jotka oppivat esimerkeistä. Arkistointialalla se mahdollistaa sellaisten järjestelmien kouluttamisen, jotka erottavat asiakirjatyypit, havaitsevat datassa esiintyviä kaavoja tai ennustavat, mihin sarjaan asiakirja kuuluu sen sisällön perusteella, oppien ammattilaisten jo luokittelemista ja erityyppisiin tietokantoihin tallennetuista kokoelmista.

Monet ratkaisut sisältävät myös konenäön , joka analysoi kuvia tekstin lisäksi. Tämä on erityisen hyödyllistä historiallisten valokuvien, suunnitelmien, teknisten piirustusten tai vanhojen, heikkolaatuisesti skannattujen asiakirjojen hallinnassa, joissa on tarpeen tunnistaa kiinnostuksen kohteet ennen muiden tekniikoiden soveltamista.

Näin tekoälyllä toimiva dokumenttienhallintajärjestelmä toimii

Päivittäisessä toiminnassa moderni tekoälyä hyödyntävä dokumentienhallintajärjestelmä alkaa tyypillisesti digitointi- ja tallennusvaiheella . Vaikka suuri osa nykypäivän dokumenttien tuotannosta on lähtökohtaisesti digitaalista, on edelleen merkittävä määrä paperia ja skannattua materiaalia, joka on käsiteltävä edistyneellä OCR:llä.

Tulostetut asiakirjat tai PDF-kuvat lähetetään OCR-työkaluille, jotka tunnistavat tekstin ja muuntavat sen indeksoitavaksi sisällöksi . Monissa nykyaikaisissa kopiokoneissa on jo tämäntyyppinen moottori, ja suurten määrien skannaukseen on myös erityisiä ratkaisuja.

Kun sisältö on muunnettu tekstiksi, kuvaan astuu NLP- ja koneoppimismallit . Nämä analysoivat dokumentin, tunnistavat sen aiheen, poimivat keskeiset tiedot (esim. nimet, tiedostonumerot, päivämäärät, määrät) ja luokittelevat sen organisaation luokittelujärjestelmässä tai dokumentinhallintajärjestelmässä.

Näiden tietojen avulla järjestelmä voi automaattisesti liittää metatietoja, ehdottaa asiakirjasarjoja, yhdistää asiakirjoja toisiinsa ja helpottaa huomattavasti monipuolisempia hakuja yhdistämällä vapaita termejä ja suodattamalla päivämäärien, tyyppien, aiheiden tai paikkojen mukaan.

Suuri lisäarvo näissä järjestelmissä on se, että ne oppivat käytön myötä : kun arkistohenkilökunta korjaa, validoi tai mukauttaa luokitteluehdotuksia, mallit parantavat tarkkuuttaan ja tarjoavat tuloksia, jotka on räätälöity paremmin kunkin arkiston tai laitoksen kontekstiin.

Tekoälyn käytännön sovelluksia tiedostojen hallinnassa

Käytännössä tekoäly voi puuttua lähes kaikkiin dokumenttienhallinnan vaiheisiin, auttaa vähentämään toistuvaa työtä, minimoimaan virheitä ja hyödyntämään dokumentteja strategisena tietolähteenä . Jotkin käyttötarkoitukset ovat erityisen huomionarvoisia julkisella ja yksityisellä sektorilla.

Yksi yleisimmistä on asiakirjojen automaattinen luokittelu sisällön, tyypin tai muodon mukaan. Sen sijaan, että jokainen asiakirja merkittäisiin manuaalisesti, järjestelmä ehdottaa tai määrittää sille luokkia, sarjoja tai tiedostoja, mikä nopeuttaa prosessia huomattavasti ja helpottaa määräysten noudattamista.

Tekoälyä käytetään myös olennaisten tietojen , kuten ihmisten nimien, osoitteiden, päivämäärien, sääntelyviitteiden tai tiedostonumeroiden, poimimiseen. Nämä tiedot tallennetaan sitten tietokantoihin tai koontinäyttöihin, jotta niitä voidaan tarkastella ja analysoida jatkossa.

Toinen selkeä sovellus on yhteenvetojen ja raporttien automaattinen luominen suurista dokumenttijoukoista. Kielipohjaiset työkalut, kuten jotkin keskusteluavustajat tai ChatPDF-tyyppiset palvelut, voivat syntetisoida tiedoston, sopimuksen tai raporttijoukon keskeiset kohdat lähes välittömästi.

Edistynyt asiakirjojen haku on toinen alue, jolla laadullinen harppaus on selvästi havaittavissa. Tekoälyn hyödyntämät sisäiset hakukoneet mahdollistavat tiedon löytämisen, vaikka he eivät muistaisi asiakirjan tarkkaa otsikkoa tai käyttäisivät eri sanoja kuin alkuperäisessä tekstissä, kiitos semanttisten hakujen, jotka ovat paljon lähempänä luonnollista kieltä.

Säännellyillä aloilla monet organisaatiot käyttävät tekoälyä vahvistaakseen säännösten noudattamista ja havaitakseen arkaluonteisia tietoja . Järjestelmät voivat tunnistaa henkilötietoja, luottamuksellisia tietoja, säilytysaikoja tai vanhenemassa olevia lisenssejä, mikä auttaa ehkäisemään säännösten noudattamatta jättämistä ja hallitsemaan riskejä paremmin.

Samanaikaisesti syntyy ajatus avustetusta älykkäästä arkistosta , jossa järjestelmä ei ainoastaan ​​tallenna ja järjestä, vaan myös auttaa laatimaan asiakirjoja, esityksiä tai vastauksia, paikantaen automaattisesti kunkin käyttötapauksen kannalta olennaisimmat tiedot.

Tekoälymallit ja -alustat dokumenteille

Dokumenttienhallinnassa käytettyjen työkalujen ekosysteemi vaihtelee pitkälle erikoistuneista hakukoneista huippuluokan kielimalleihin . Jokainen niistä kattaa osan prosessista, ja yhdessä ne muodostavat erittäin tehokkaita ratkaisuja.

OCR-alalla yksi tunnetuimmista moottoreista on Tesseract , laajalti käytetty avoimen lähdekoodin projekti kuvien muuntamiseen tekstiksi. Monet kaupalliset ratkaisut integroivat sen tai käyttävät vastaavia käsikirjoituksille ja historiallisille dokumenteille mukautettuja teknologioita.

Luonnollisen kielen käsittelyssä mallit, kuten BERT ja eri GPT- malliperheet, ovat mullistaneet pelin, sillä ne ovat mahdollistaneet tekstin kontekstuaalisen ymmärtämisen, joka on paljon lähempänä ihmisten lukutapaa. Näitä malleja käytetään dokumenttien luokitteluun, yhteenvetojen luomiseen, entiteettien poimimiseen ja sisältöön liittyviin kyselyihin vastaamiseen.

Lisäksi monet organisaatiot päättävät kouluttaa räätälöityjä koneoppimismalleja käyttämällä omaa dokumentaatiotaan. Tämä antaa heille mahdollisuuden mukautua terminologiaansa, organisaatiorakenteeseensa ja sisäisiin määräyksiinsä, jolloin saavutetaan luokittelun tai kuvioiden havaitsemisen tarkkuustaso, joka ei olisi mahdollista yleisillä malleilla.

Tätä teknologista perustaa käytetään integroitujen ratkaisujen rakentamiseen, jotka sisältävät dokumenttienhallintajärjestelmiä, työnkulkuja, auditointia, sähköisiä allekirjoituksia ja yhteistyötyökaluja , jotka kaikki on yhdistetty analyyttisiin ja tekoälyominaisuuksiin.

Tekoälyä hyödyntävät dokumentinhallintaratkaisut

Vaihtoehtojen kirjo ulottuu teknologiajättiläisistä avoimen lähdekoodin ohjelmistoprojekteihin, ja ehdotusten tavoitteena on parantaa organisaatioiden tiedostojen hallintaa.

Yritykset, kuten Google ja IBM , tarjoavat alustoillaan, kuten Google Cloud ja Watson, datan luokittelu-, analysointi- ja poimintapalveluita, jotka voidaan integroida olemassa oleviin dokumentinhallintajärjestelmiin. Lisäksi prosessien automatisointiin keskittyvät yritykset, kuten UiPath ja Automation Anywhere, ovat luoneet ohjelmistorobotteja, jotka pystyvät hallitsemaan kokonaisia ​​dokumenttien työnkulkuja.

Dokumenttienhallintaan erityisesti suunnattujen ratkaisujen joukossa OpenKM erottuu avoimen lähdekoodin dokumenttienhallintatyökaluna, joka sisältää älykkään luokittelun, metatietojen poiminnan ja tekoälypohjaisen semanttisen haun. Sen avoimen lähdekoodin luonne mahdollistaa laajan räätälöinnin ja sopeuttamisen kunkin organisaation tarpeisiin.

Toinen relevantti työkalu on R2 Docuo , joka on suunnattu sekä dokumentienhallintaan että työnkulkuihin. Tämä alusta lupaa merkittävästi vähentää dokumenttien luomiseen, hallintaan, kierrätykseen ja allekirjoittamiseen liittyvää vaivaa automatisoimalla kaiken mallien luomisesta hyväksyntään ja lopulliseen arkistointiin.

Yritysten avoimen lähdekoodin ohjelmistojen alalla Alfresco on vakiinnuttanut asemansa johtavana vaihtoehtona sisällön ja tiedostojen hallintaan. Se mahdollistaa prosessien mukauttamisen, moduulien lisäämisen ja integroinnin ulkoisiin tekoälypalveluihin, mikä tekee siitä joustavan perustan kunnianhimoisten projektien rakentamiselle suurissa laitoksissa.

Google Documentin tekoäly ja älykäs asiakirjojen käsittely

Yksi selkeimmistä esimerkeistä erikoistuneesta alustasta on Google Document AI , pilvipohjainen palvelu, joka on suunniteltu automatisoimaan asiakirjojen luokittelua, poimintaa ja analysointia laajassa mittakaavassa. Se on suunnattu sekä yksityisille yrityksille että julkisille organisaatioille, jotka käsittelevät suuria määriä lomakkeita, laskuja, tiedostoja tai sopimuksia.

Dokumenttien tekoäly yhdistää koneoppimisen, NLP:n ja konenäön tunnistaakseen kunkin dokumentin olennaiset kentät riippumatta siitä, onko se peräisin skannauksesta, PDF-tiedostosta vai kuvakaappauksesta. Se voi oppia tietyn toimialan yleiset dokumenttimuodot ja käyttää tätä tietoa uudelleen uusissa sovelluksissa.

Koska tämä ratkaisu on saatavilla pilvipalveluna, se on erityisen kiinnostava organisaatioille, joiden on skaalattava prosessointikapasiteettiaan nopeasti investoimatta omaan laitteistoon tai ylläpitämättä monimutkaisia ​​infrastruktuureja.

Tuloksena on, että monet tehtävät, jotka aiemmin vaativat tuntikausia manuaalista tarkastelua, voidaan ratkaista minuuteissa, kun ihmistiimi omistautuu validoinnille ja korkeamman lisäarvon päätöksille tiedon syöttämisen sijaan.

Tekoälyn soveltaminen julkishallinnossa

Julkishallinnot löytävät liittolaisen tekoälystä hallitakseen dokumentaatiota tehokkaammin ja läpinäkyvämmin . Kaupunginvaltuustoista ministeriöihin yhä useammat projektit sisältävät automaattisen luokittelun, tiedostoanalyysin ja edistyneet hakujärjestelmät.

Monet paikallis- ja aluehallinnot ottavat käyttöön tekoälypohjaisia ​​asiakirjojen hallintajärjestelmiä sähköisten tiedostojen järjestämiseen, menettelyjen nopeuttamiseen asiakirjojen digitaalisen allekirjoittamisen avulla ja kansalaisten pääsyn parantamiseen julkisiin tietoihin . Tämä lyhentää vasteaikoja ja helpottaa prosessien sisäistä valvontaa.

Konkreettinen esimerkki on Alfrescon käyttö Tomelloson kaupunginvaltuustossa sisäisen dokumentaation hallintaan ja jakamiseen. Vaikka sen täyttä potentiaalia ei vielä hyödynnetä täysimääräisesti, tiedon jakamiseen on käynnistetty aloitteita, kuten kaikkien työntekijöiden saatavilla olevien koulutuskurssien tallentaminen, mikä luo pohjan dynaamiselle digitaaliselle arkistolle.

Tekoälyjärjestelmiä käytetään myös dokumentaatiossa esiintyvien kaavojen havaitsemiseen , jotka voivat viitata sääntöjenvastaisuuksiin, tehottomuuksiin tai julkisen politiikan tarkastelun tarpeeseen, mikä auttaa ohjaamaan hallintojen strategisia päätöksiä paremmin.

Lisäksi julkisen sektorin haasteena on sovittaa nämä innovaatiot yhteen tietosuojaa, läpinäkyvyyttä ja pitkäaikaista säilyttämistä koskevien lakisääteisten vaatimusten kanssa , mikä tekee arkistonhoitajien ja oikeusasiantuntijoiden roolista ratkaisevan tärkeän näiden ratkaisujen suunnittelussa ja toteuttamisessa.

Carabela-projekti: Tekoäly historiallisille käsinkirjoitetuille arkistoille

Historiallisen perinnön alalla tekoäly avaa mahdollisuuksia, jotka vielä muutama vuosi sitten vaikuttivat tieteiskirjallisuudelta. Hyvä esimerkki tästä on Carabela-projekti , joka keskittyy vedenalaiseen historialliseen perintöön liittyvien käsikirjoituskokoelmien todennäköisyyspohjaiseen indeksointiin.

Tämä projekti, jota edistää Andalusian historiallisen perinnön instituutti vedenalaisen arkeologian keskuksensa kautta ja jota johtaa Valencian ammattikorkeakoulun hahmontunnistuksen ja ihmiskieliteknologian tutkimuskeskus (PRHLT), soveltaa edistyneitä hahmon- ja kielentunnistustekniikoita digitoitujen käsinkirjoitettujen asiakirjojen paikantamiseen ja tutkimiseen.

Tekoälyn ansiosta on mahdollista tunnistaa vedenalaiseen perintöön liittyviä mainintoja, reittejä, aluksia tai tapahtumia ilman, että tarvitsee lukea manuaalisesti tuhansia sivuja, mikä moninkertaistaa tutkimusryhmien kyvyn löytää olennaista tietoa.

Carabela-projektia on esitelty tutkijoille ja arkistoalan ammattilaisille suunnatuissa työpajoissa , joissa on keskitytty siihen, miten näitä tekniikoita voidaan laajentaa muihin historiallisten käsikirjoitusten kokoelmiin ja miten ne voivat toimia mallina uusille digitaalisten humanististen tieteiden projekteille.

Carabelan kaltaisten aloitteiden toteuttaminen osoittaa, että tekoäly ei ainoastaan ​​virtaviivaista hallinnollisia menettelyjä, vaan myös edistää historiallista tutkimusta ja perinnön säilyttämistä , mikä avaa uusia kysymyksiä ja tutkimussuuntia.

Koulutus, kurssit ja akateeminen tunnustaminen

Tekoälyn sisällyttäminen arkistointitieteeseen luo myös kasvavaa tarjontaa kursseille, konferensseille ja akateemisille julkaisuille , joissa analysoidaan sen vaikutusta, jaetaan kokemuksia ja tutkitaan sen edistyneitä käyttötarkoituksia eri yhteyksissä.

Koulutustoimintaa järjestetään ja se sisältää moduuleja tavoitteista, puhujista, opiskelijaprofiilista, yliopistosuoritusten tunnustamisesta, arviointimenettelyistä ja majoitusvaihtoehdoista . Tämä osoittaa, että kyseessä eivät ole kertaluonteisia työpajoja, vaan tietyn akateemisen sisällön omaavia ohjelmia.

Samaan aikaan kirjastotieteen, dokumentoinnin ja arkistotieteen erikoislehdet julkaisevat artikkeleita, joissa tarkastellaan järjestelmällisesti tekoälyä ja arkistoja koskevaa viimeaikaista tieteellistä kirjallisuutta ja korostetaan sekä vakiintuneimpia sovelluksia että vielä täytettäviä tietämysaukkoja.

Tämä käytännön koulutuksen ja tieteellisen tuotannon yhdistelmä auttaa arkistonhoitajia, dokumenttien laatijoita ja IT-henkilöstöä puhumaan yhteistä kieltä , mikä on välttämätöntä realististen ja hyvin kohdennettujen projektien suunnittelulle kussakin laitoksessa.

Lisäksi edistetään verkkokursseja, jotka keskittyvät tekoälyn tuottavuuden parantamiseen hallinnon alalla ja joissa selitetään soveltavalla tavalla, miten nämä työkalut voidaan integroida toimistojen, osastojen ja arkistojen päivittäiseen toimintaan.

Pilvipohjainen dokumenttienhallinta ja sen vaikutus arkistoihin

Tekoälyn laajeneminen arkistoinnissa liittyy läheisesti pilvipohjaisen dokumenttienhallinnan kasvuun . Monet syväoppimiseen perustuvat palvelut vaativat merkittävää laskentatehoa, erityisesti näytönohjainten osalta, joiden ylläpito perinteisissä paikallisissa infrastruktuureissa on vaikeaa ja kallista.

SaaS-mallin (Software as a Service) avulla dokumentinhallintasovellukset ja tekoälymoottorit sijaitsevat ulkoisilla palvelimilla , minkä ansiosta organisaatiot voivat skaalata resursseja tarpeen mukaan, maksaa vain käytöstä ja olla huolehtimatta laitteiden fyysisestä ylläpidosta.

On totta, että asiakirjojen tallentamiseen ulkoisille palvelimille, jotka joskus sijaitsevat maan ulkopuolella, liittyy varauksia, mutta skaalautuvuuden , turvallisuuden, varmuuskopioiden ja etäkäytön edut ovat selvät, edellyttäen, että valitaan palveluntarjoajia, jotka noudattavat vaativia eurooppalaisia ​​tietosuojasäännöksiä.

IT-osastoille tämä pilvilähestymistapa tarkoittaa vähemmän järjestelmänvalvojan taakkaa , koska ohjelmistoja ei tarvitse asentaa tai päivittää jokaiselle työasemalle erikseen eikä laitteistoa tarvitse mitoittaa satunnaisia ​​käyttöpiikkejä varten.

Arkistoille pilvipalvelut tarjoavat mahdollisuuden asettaa suuria määriä digitoitua dokumentaatiota yleisön saataville älykkäiden hakukoneiden avulla ilman, että sisäisestä infrastruktuurista tulee pullonkaula.

Tämä koko observatorioiden, tutkimushankkeiden, kaupallisten ratkaisujen ja pilvialustojen ekosysteemi muokkaa tilannetta, jossa tekoälystä on tulossa arkistonhoitajien ja arkistonhoitajien arkipäiväinen työkalu , ei erillinen kokeilu. Ammattilaisten tutustuessa sen mahdollisuuksiin ja rajoituksiin, käyttötapaukset moninkertaistuvat. Nämä tapaukset parantavat tuottavuutta, laajentavat tiedonsaantia ja vahvistavat dokumenttiperinnön säilyttämistä tuleville sukupolville. Lisäksi hakukoneet ja arkistojen hakutekniikat auttavat maksimoimaan digitaalisten arkistojen arvon.