DigCCurr (1): technische infrastructuur delen

Ik ben vanuit Washington DC een uurtje vliegen naar het zuiden afgezakt naar de DigCCurr ('say dij-seeker' of Nederlands fonetisch iets als Didzj-sie-kurr) 2009 conferentie in Chapel Hill, NC. Meer dan 270 deelnemers, dat is nogal wat.

Vanochtend was er een interessante lezing over 'gedistribueerde netwerken'. Het was best wel technisch, en dat is niet mijn sterkste kant, maar bij al ons denken over beleid moeten we vooral niet vergeten nieuwe technische mogelijkheden mee te nemen.

De North Carolina School of Information and Library Sciences (SILS; organisator van de conferentie) heeft een interessant probleem opgepakt: hoe kun je je techniek zo organiseren dat vele en veelsoortige organisaties gezamenlijk gebruik kunnen maken van een "grid" - de som van een heleboel opslagfaciliteiten. Daarbij wil je ook faciliteren dat gegevens van de omgeving van de maker soepel wordt overgezet naar de omgeving van een digitaal archief. Bovendien wil je mogelijk maken dat iedere eigenaar van informatie zelf de baas blijft over zijn of haar informatie, waar die zich fysiek ook bevindt ergens op het "grid".

Een (gedeeltelijk?) antwoord is iRODS: Integrated Rule-Oriented Data System. Dit systeem probeert niet om allerhande organisaties dezelfde preserveringsstandaarden op te leggen (vele tekenen wijzen erop dat dat toch niet werkt) maar om het beleid en de regels van specifieke organisaties te vertalen naar automatisch door systemen uit te voeren taken. Dat woord 'automatisch' is belangrijk, want menselijk ingrijpen wordt steeds lastiger (en veel te duur) naarmate de hoeveelheden data groter worden. Iedere organisatie of groep organisaties die meedoet aan het systeem definieert zijn 'community profile' - de hele set van regels, toegangsregimes, authenticatie-voorwaarden en ga zo maar door. Dat community profile wordt technisch vertaald en in een 'rule engine' gestopt en gekoppeld aan de gegevens van de inbrengende organisatie. Een gebruiker die informatie opvraagt krijgt van de 'rule engine' te horen wat hij wel en niet mag, en ook preserveringsacties worden door de 'rule engine' in gang gezet.

Natuurlijk zijn er technisch gezien de nodige haken en ogen, maar het idee is aanlokkelijk - met name voor organisaties die zelf niet de middelen hebben om een eigen depot op te zetten of te onderhouden. Met behulp van deze tool kunnen zij gezamenlijk wel een systeem in leven houden dat hun data veilig opslaat - waarbij zij zelf alle controle houden over die data.

Maar werkt het ook? Caryn Wojcik van de Records Management Division van de Staat Michigan (midden op de foto) vertelde dat zij vooral oplossingen zoekt die WERKEN, die praktisch zijn. Zij beschreef het DCAPE project (Distributed Custodial Archival Preservation Environments) dat iRODS inmiddels toepast. Het doel van DCAPE is een generieke data infrastructuur te bouwen waarin allerhande sectoren (cultuurhistorie, overheid, bibliotheken, wetenschap) digitale gegevens kunnen opslaan.

DCAPE is "nog" maar een project, en het is nog niet bewezen dat het werkt, maar ik heb Caryn's e-mail adres, en ik ga dit project goed in de gaten houden. Want wat werkt voor Amerikanen die van nature wars zijn van centrale regie, zou ook wel eens kunnen werken in een land van polderdemocratie.

Foto's (IA): De sessie over gedistribueerde netwerken zat zo vol dat we moesten uitwijken naar een grotere zaal; in het midden het principe van iRODS; onderaan het panel van de iRODS sessie: in het midden Caryn, rechts Richard Marciano van iRODS.

Duurzaamheid op zijn Amerikaans (2)

Je kunt veel van Amerikanen zeggen: dat ze soms wel erg zelfbewust zijn, dat ze luidruchtig zijn, dat ze weinig weten van de rest van de wereld, maar wat zijn ze ook ongelooflijk vriendelijk als je ze zomaar tegenkomt en enthousiast en bereid om alle kennis met je te delen als je, zoals ik, op bezoek gaat bij het Amerikaanse National Digital Information & Preservation Program. Martha Anderson (midden) en haar collega's Butch Lazorchak (r) en Abigail Potter namen vanochtend alle tijd voor me -- om hun successen te delen, maar ook om eerlijk te praten over wat haalbaar is als je je ten doel hebt gesteld een nationale strategie voor digitale duurzaamheid te ontwikkelen.

Want net als de NCDD heeft het NDIIPP zich het ambitieuze doel gesteld om een nationale strategie voor digitale duurzaamheid te ontwikkelen. Aan het begin van ons gesprek gooide ik die knuppel maar direct in het hoenderhok, waarop Martha met een brede glimlach antwoordde: "Wel, er is niks mis met het stellen van hoge doelen." Aan het eind van het gesprek concludeerde Martha: "We hebben na vijf jaar de infrastructuur gebouwd voor samenwerken; de volgende uitdaging is om die te mobiliseren om de infrastructuur voor digitale duurzaamheid te bouwen." In de visie van Martha zal dat geen mega-systeem zijn maar een netwerk van samenwerkingsverbanden die vooral rond de content gegroepeerd zijn. Want daar bestaan vaak al samenwerkingsverbanden waarop je kunt voortborduren. Dat is dan ook de aanpak van het NDIIPP: contact maken met netwerken die duidelijke inhoudelijke raakvlakken hebben en hen op weg helpen om de digitale duurzaamheid te organiseren. Oftewel, zoals Butch zei: "We light fires all over the place, and hope that they keep burning."

Geld is niet alles

Het NDIIPP is ooit gestart met een projectbudget van M$100. Dat helpt natuurlijk enorm bij het bouwen van een netwerk en het stimuleren van samenwerkingsvormen. Maar het was niet alles, zo benadrukte Martha. Sterker nog, toen het budget later werd gehalveerd door het Congres, was dat niet eens een erg groot probleem. Belangrijker was het voor Martha om structurele financiering voor het bureau van NDIIPP zelf voor elkaar te krijgen, hetgeen vorig jaar lukte. Je moet een kern van mensen hebben die je structureel kunt betalen om het probleem steeds weer op de agenda te zetten, om mensen bij elkaar te brengen, discussies te faciliteren, en hier en daar met een geldelijke impuls die samenwerking te helpen bouwen. Maar belangrijker dan geld is de rol van het NDIIPP (en de Library of Congress) als leider van het debat. Die rol is de LoC door het Congres ook met nadruk toebedeeld. De LoC en NDIIPP werken als catalysator. Dat kan met name belangrijk zijn als de vele belanghebbenden elkaar moeten gaan vertrouwen om effectief te kunnen samenwerken. Vertrouwen ontstaat niet zomaar, dat kost veel tijd, zo vertelde Martha.

En die nationale strategie? Nu, na vijf jaar, werkt Abigail aan het eerste visiedocument voor een nationale strategie.

Tot zover de eerste indruk vanaf het vliegveld.

Foto's (IA): het NDIIPP team, vlnr Abigail Potter, Martha Anderson en Butch Lazorchak; daaronder: Hoewel NDIIPP zetelt in het strakke Madison gebouw (zie linkerkolom), kreeg ik ook even het Jefferson Building van de Library of Congres te zien - zo "opulent" gebouwd om indruk te maken op de Europeanen, maar duidelijk van later datum dan de Europese paleizen, want een van de engeltjes bij de ingang heeft een telefoon in de hand; derde foto: de leeszaal voor de Members of Congress zelf, verboden terrein, natuurlijk, voor gewone stervelingen :-)

Denktank vóór realisatie Limburgs e-Depot

Een Denktank Limburgs e-Depot is tot de conclusie gekomen dat het de moeite waard is om stapsgewijs te komen tot de realisatie van een Limburgs e-Depot, zie nadere berichten en een link naar het eindrapport op http://www.rijckheyt.nl/sjablonen/rijckheyt/pagina.asp?pagina=724. Meer nieuws later deze week op de blog van ED3.

Duurzaamheid op zijn Amerikaans

Je zult het maar treffen: vlieg je helemaal naar de Verenigde Staten, haast je je naar het Witte Huis voor een kopje thee, en kom je erachter dat Barack en Michelle net naar Europa zijn gevlogen. Maar ik kan altijd nog zeggen: 'been there, done that, got the T-shirt', want die zijn overal te koop.

Na een dagje vrij om de jetlag te verwerken en wat plaatjes te schieten, ga ik op bezoek bij Martha Anderson, de projectleider van het National Digital Information Infrastructure & Preservation Program (NDIIPP) dat in 2003 met M$100 van Congress werd gelanceerd met de opdracht een 'national strategy for digital preservation' te ontwikkelen. Inmiddels is het NDIIPP GROOT geworden (zoals alles hier in de VS nog steeds GROOT voelt als je uit Europa komt) met 130 partner organisaties waaronder de belangrijke National Science Foundation met zijn budget van miljarden dollars.

Maar er zijn ook berichten dat het allemaal niet vanzelf gaat. Dat niet al het geld dat Congress beloofd had er ook is gekomen en dat het nog steeds veel losse projecten zijn, zonder samenhang. Hoe dat zit, daar wil ik proberen achter te komen, om te zien of hier lessen geleerd kunnen worden waar we in Nederland ons voordeel mee kunnen doen: welke vormen van samenwerking werken beter dan andere? Natuurlijk zijn de omstandigheden hier anders, maar mensen zijn mensen, en hoe goed je dingen ook regelt op papier, het zijn de mensen die het waar moeten maken: bibliothecarissen, archivarissen, wetenschappers, datacentra. Ik ben benieuwd.

Foto's: De bijen worden uitgezet in de tuin van het Witte Huis; Obama Obama Obama Obama; "National cherry blosom festival" bij het Jefferson Memorial. (IA)

Het bedrijfsleven en digitale duurzaamheid

In de publieke sector hadden we zo onze vermoedens over hoe het bedrijfsleven omgaat met digitale duurzaamheid, maar in het kader van een Nationale Verkenning wil je onderzoeken of die vermoedens wel kloppen. Dat heeft de NCDD dan ook gedaan: adviesbureau Thaesis uit Utrecht benaderde vijf grote Nederlandse bedrijven en vroeg hen naar hun beleid ten aanzien van het duurzaam bewaren van data.

Zoals we eigenlijk wel verwacht hadden, heeft het duurzaam bewaren van informatie niet echt prioriteit in het bedrijfsleven - het is immers een activiteit die vaak veel geld kost maar niet echt meer omzet oplevert. Dus is het beleid: niet langer bewaren dan strikt noodzakelijk - waarbij 'noodzakelijk' meestal betekent dat wetten het vereisen of dat je rechtzaken moet kunnen onderbouwen met bewijsmateriaal.

Een ander verschil met de publieke sector is het feit dat de 'look&feel' van een document er meestal niet toe doet. Vaak zijn het numerieke bestanden waarvan alleen de inhoud belangrijk is. In de publieke sector willen we vaak 'alles' bewaren, inclusief de handtekening die de authenticiteit van een document bepaalt of een beeld van het oude handschrift zelf.

In het bedrijfsleven denkt de leiding vooral na over 'wat' er bewaard moet worden en voor hoe lang; het hoe laat men graag over aan de IT-afdeling. Opmerkelijk vond ik dat de bedrijven zich nauwelijks druk bleken te maken over 'obsolescence', het in onbruik raken van bestandsformaten en software. Men gaat ervan uit dat 'de markt' op tijd met oplossingen zal komen.

De algehele aanpak kenmerkt zich door pragmatiek, door een stap-voor-stap-benadering. Men benadrukt ook het belang van selectie: vraag je steeds af of dit document nu wel echt het bewaren waard is.

De laatste hypothese die we wilden toetsen was de veronderstelling dat het bedrijfsleven veel meer geld beschikbaar heeft om duurzaamheidsproblemen op te lossen - gewoon zes back-ups maken, dan is overleeft er altijd wel wat. Hoewel ik ervan uitga dat de bedrijven in kwestie wat de kosten betreft niet het achterste van hun tong hebben laten zien, concludeert Thaesis dat er geen aanwijzingen zijn dat er beduidend meer geld in omgaat dan bij grote publieke instellingen - zoals bijvoorbeeld de KB. Waarvan akte.

Later dit jaar zal de NCDD het hele rapport publiceren in het kader van de Nationale Verkenning.

Hoe houden we onderzoeksdata toegankelijk?

Gisteren woonde ik een interessante expert meeting bij over bewaren en hergebruik van onderzoeksdata in de wetenschap. Georganiseerd door SURFfoundation, de grote 'facilitator' in het hoger onderwijs. Aan tafel zaten vooral de organisaties die enige verantwoordelijkheid hebben voor het bewaren van onderzoeksdata – voor de korte of de lange termijn: bibliotheken, datacentra, instituten die zelf data opslaan.

Op tafel lag een typische uitdaging uit het digitale tijdperk: hoe kunnen we ervoor zorgen dat (ruwe) onderzoeksdata – die vaak een enorme waarde vertegenwoordigen – net als publicaties beschikbaar worden gemaakt voor andere onderzoekers. Of, zoals ik iemand laatst hoorde zeggen: hoe kan een tweede onderzoeker zichzelf 6 maanden laboratoriumwerk besparen door twee uur achter de computer te kruipen. Dat is een nobel doel om na te streven, maar ook een gecompliceerd doel, want er is wel het een en ander voor nodig om die data ook daadwerkelijk herbruikbaar te maken: interoperabiliteit, standaarden, precieze informatie over de context waarin de data geproduceerd zijn (welke instrumenten, etc.). Daar gaat het nodige werk in zitten, werk waarvoor de producerende wetenschapper vaak noch de tijd, noch de belangstelling, noch de juiste vaardigheden heeft. Wie gaat dat werk dan wel doen, wie gaat het betalen, en wie gaat bepalen wat wel en wat niet bewaard moet worden?

Gisteren bleek dat al die vragen nog lang niet beantwoord zijn, maar toch zag ik de nodige ontwikkelingen ten opzichte van een aantal jaren geleden toen ik werkte bij UKB, het samenwerkingsverband van universiteitsbibliotheken. Toen kon je uit de mond van bibliothecarissen nog weleens optekenen dat die wetenschappers dan maar moesten leren om hun informatie te 'ontsluiten' zoals bibliotheken dat doen (metadata!). Nu sprak Marc vd Berg van de UvA van 'geruisloze' diensten: de bibliotheek of het datacentrum biedt data-'verzorgende' (in het Engels: data curation) diensten aan die het voor de wetenschapper mogelijk maken om vooral zijn eigen werk te doen en daarbij 'bijna' onmerkbaar data te genereren die door anderen hergebruikt kunnen worden.

Men was het er gisteren over eens dat dit het streven moet zijn. De volgende vraag is natuurlijk hoe we daar komen, en daar blijken nog wel wat hobbels op de weg te liggen:

• iedere discipline heeft weer zijn eigen manier van onderzoek doen, en zelfs binnen disciplines is ieder onderzoek ook weer nét dat beetje anders dan het vorige;
• om standaardisatie mag je daarom eigenlijk niet vragen; dat zou het eigenlijke wetenschappelijke proces te zeer belemmeren;
• het eigenaarschap van ruwe data, genalyseerde data en al die tussenvormen is juridisch nog lang niet altijd duidelijk;
• de hoeveelheden data zijn vaak enorm en dat zou ervoor kunnen pleiten om te selecteren wat je wel en niet gaat bewaren, maar wie gaat dat bepalen? Datacentra kunnen wel wat technische controles doen, maar ze kunnen niet op de stoel van de onderzoeker gaan zitten en inhoudelijke oordelen vellen. Bovendien: soms kan totaal vastgelopen onderzoek onschatbare informate opleveren voor toekomstige pogingen om het beter te doen;
• omdat het hier een nieuw soort problematiek betreft, is vooralsnog niet uitgekristalliseerd wie waarvoor verantwoordelijk is en wie wat moet gaan betalen.

De experts die gisteren om de tafel zaten concludeerden dat dat laatste punt de hoogste prioriteit heeft: pas als je de taken en rollen goed hebt verdeeld, kun je gewogen beslissingen nemen over al die andere punten. En laat dat nu net het onderwerp zijn waar de NCDD Verkenning naar kijkt. Ik geef toe, tijdens de bijeenkomst meldde ik dat iets te enthousiast, waarna enkele deelnemers met zo mogelijk nog meer enthousiasme zich oefenden in het achteroverleunen, hetgeen natuurlijk absoluut niet de bedoeling was, zoals ik mij haastte toe te voegen. De NCDD legt lijntjes en 'koepelt' waar nodig, maar kan en wil niet vervangen. Om even bij de taakverdeling te blijven: het viel mij op dat de aanwezige universiteitsbibliotheken (Utrecht, Amsterdam, Tilburg, Delft (d.w.z. als UB alleen), Rotterdam) niet de ambitie hebben om de langetermijnbewaring zelf te gaan verzorgen. Langetermijnbewaring, zo was de consensus, is een vak apart dat grote investeringen vraagt en dat kun je beter overlaten aan gespecialiseerde datacentra. Daarvan zullen er in Nederland maar een paar ontstaan, zo schatten de aanwezigen in, bij voorkeur gericht op specifieke disciplines met eigen standaarden. Veel zal ook internationaal belegd moeten worden, aangezien diverse wetenschappelijke disciplines al in zo'n context werken, met name rond grote onderzoeksfaciliteiten als de Large Hadron Collider, die 5000 onderzoekers over de hele wereld gaat 'voeden' met data. (Hetgeen het organisatorische en financiële plaatje wel compliceert, maar dat terzijde.) Van die gespecialiseerde datacentra hebben we er in Nederland al enkele:

• DANS, dat is opgericht door NWO en de KNAW om de onderzoeksdata uit de alfa- en gammawetenschappen duurzaam op te slaan en ter beschikking te stellen.
• het 3TU.Datacentrum (momenteel projectfase) wordt opgezet door de drie technische universiteiten (Delft, Eindhoven, Twente) om hetzelfde te doen voor de technische wetenschappen;
• daarnaast zijn enkele gespecialiseerde centra voor dataopslag, zoals bijvoorbeeld bij het IISG en Nederlands Instituut voor Ecologie (NIOO), waar men al wel datasets opslaat, maar waarvan het langetermijnperspectief nog in ontwikkeling is;
• en één deelnemer sloot niet uit dat op dit gebied ook nog een rol weggelegd kan zijn voor de Koninklijke Bibliotheek, die zich tot dusverre vooral richt op de langetermijnbewaring van publicaties.

Aan het eind van de bijeenkomst stelden de deelnemers een aantal prioriteiten voor nader gesprek/onderzoek vast. Ik noem hier de belangrijkste:

• verantwoordelijkheden, rollen, taken benoemen en coördinatie regelen;
• onderzoeken hoe al die verschillen tussen disciplines aangepakt moeten worden;
• kennisvergaring en uitwisseling;
• stimuleren dat onderzoekers actief gaan meedoen aan het deponeren van datasets, wellicht door een combinatie van regels vanuit financiers als NWO én geruisloze 'verleidings'-technieken vanuit de datacentra. Het zou zeker ook helpen als auteurs op de een of andere manier beloond zouden worden voor hun data-inspanningen;
• nadenken over wat we gaan bewaren en voor hoe lang (selectie).

SURFfoundation zal het debat over deze zaken blijven stimuleren. Een nieuwe bijeenkomst van deze groep is al gepland. Foto's: van boven naar beneden: John Ellis van CERN in een 'overzichtelijker' tijdperk; van internet geplukt; CERN's Large Hadron Collider; logo van het NIOO.

Data-diensten: generiek of specifiek?

Onlangs schreef Chris Rusbridge van het UK Digital Curation Centre een interessante blog over de diverse manieren waarop je infrastructuren - in dit geval voor de wetenschap - kunt insteken: lokaal, nationaal, internationaal, en, misschien nog belangrijker: generiek of discipline-specifiek.

Rusbridge reageerde op recente initiatieven om een nationale infrastructuur voor wetenschappelijke data te bouwen, het UKRDS initiatief. Hij constateert dat de eisen die je aan een infrastructuur voor wetenschappelijke informatie moet stellen eigenlijk haaks op elkaar staan:

- voor datacentra en digitale archieven geldt: hoe groter des te goedkoper, en hoe generieker hoe gemakkelijker ze op te hangen zijn aan bestaande structuren als universiteitsbibliotheken met hun langetermijnfinanciering.
- voor goede datacuratie geldt: hoe lokaler hoe effectiever, omdat iedere discipline weer zijn eigen eisen stelt aan hoe data georganiseerd moet worden. Die curatie zou je dus het liefst zo dicht mogelijk bij de wetenschapsuitoefening willen onderbrengen, in onderzoeksprojecten die vaak tijdelijk van aard zijn.

Hoe breng je die twee uitersten bij elkaar? Rusbridge suggereert een soort matrix met generieke archieven, waarbij de instroom van wetenschappers zelf komt (eigen verantwoordelijkheid!), die dan weer moeten voldoen aan curatienormen die nationaal bepaald worden door koepels, en door de financiers verplicht worden gesteld. En daar past hij bestaande instellingen als JISC en het Research Information Network dan weer in als adviseurs.

Rusbridge signaleert hier een belangrijk knelpunt: economie en wetenschap stellen verschillende eisen. Dat kan niet anders dan leiden tot een complexe infrastructuur, waarbij het heel belangrijk is om rollen en verantwoordelijkheden heel goed te benoemen. Complicatie daarbij is dat er maar weinig stakeholders zijn die het geheel overzien, dat blijkt ook uit de interviews in het kader van de Nationale Verkenning.

Wat Nederland betreft zie ik nog niet direct de impuls om een 'nationale' wetenschappelijke data-service te gaan bouwen; misschien zijn we daarin als klein land anders dan de UK. Maar de uiteenlopende eisen van economie en wetenschap gelden ook hier.