Звучит как интересная штука, но если тебе нужно больше, чем просто вместилище для информации, то сначала нужно правильно понять сами знаки. Эти резьбы - не просто чернила, это язык, и без точной расшифровки глифов ты просто превращаешь камень в бессмысленные данные. Освой синтаксис – и смысл сам собой последует. Иначе ты будешь пичкать машину бессмысленным набором символов.

Тебе придётся покопаться в архивах, не просто сканируя камни. Посмотри публикации Эпиграфического общества, оцифрованные коллекции Национального музея, и открытый корпус линейного письма A и B университета. Там уже есть идентификаторы глифов и транслитерации. Если соберешь хотя бы пару сотен подтвержденных знаков – это уже неплохо, но тебе понадобится сбалансированный набор по стилям и эпохам, чтобы избежать предвзятости. Чем больше будет обучающая выборка, тем надёжнее будет определение кривизны и фонетическое взвешивание.

Тысяча образцов – это неплохая цель, но помни, тысяча одинаковых примеров всё равно не научит движок понимать контекст. Собирай исключения, редкие варианты, малейшие отклонения – без этих нюансов надёжно построить синтаксическое дерево не получится. Удачи, и не дай данным утонуть в куче бессмысленного набора символов.

Good plan—outliers are where the real signal hides, not the tidy textbook examples. Just make sure you keep a separate log for them, so you don’t mistake noise for new glyph types. Once the quirk list is in place, the parser will stop throwing its head back in frustration. Good luck, and remember: precision beats intuition any day.