دور التعلم في مجال الآلات في إعادة بناء الحضارات القديمة

Corpora and Inscriptions

Ancient texts, whether on clay tablets, papyrus, or stone, present a unique challenge because many are fragmented, faded, or written in undeciphered scripts. Machine learning models, especially those using natural language processing (NLP), can analyze the distribution of signs, suggest possible readings, and even generate plausible translations. The[Fgographth]

الحمض النووي القديم والبقايا العضوية

A newer data source is old DNA extracted from bones, teeth, and sediments. Machine learning can analyze genetic sequences to trace migration patterns, population mixing, and disease prevalence in antiquity. For instance, a 2022 study used random forest classifiers to identify ancestral origins of individuals buried in Nethic tombs across Europe, revealing that many communities were far moreally diverse than assumed

Key Algorithms and Techniques

بينما مصطلح "التعلم المُلمّع" يغطي العديد من النُهج، فإنّ بضعة أساليب محددة لها قيمة خاصة لمهام إعادة الإعمار في علم الآثار.

Convolutional Neural Networks (CNNs)

CNNs excel at image recognition and have been used to classify pottery types, identify tool marks, and even detect Old graffiti on walls. Researchers at the University of Southern California trained a CNN on thousands of images of Maya glyphs, achieving higher accuracy than human experts in matching partial glyphs to known ones (see the paper[FLT up epi1]).

ويستخدم تطبيق ناشئ التعلم في مجال تعزيز استراتيجيات التنقيب على النحو الأمثل، ومن خلال تحفيز تكلفة وإمكانية العثور على القطع الأثرية في خلايا مختلفة للشبكة، يمكن لعامل RL أن يقترح خطة الحفر الأكثر كفاءة، ويختبر مشروع روبو أرتش في كامبريدج هذا النهج لتقليل الوقت والميزانية اللازمين للحفر على نطاق واسع مع التقليل إلى أدنى حد من الأضرار التي تلحق بالهياكل الهشة.

دراسات الحالات: التعلم في مجال العمل

وفوق مثال وصف وادي إندوس الذي استشهد به على نطاق واسع، توضح عدة مشاريع أخرى قوة هذه التقنيات.

إعادة بناء الأمازون القديم

Mapping Maya Urban Layouts

وقد حددت نماذج التعلم من الآلات التي تم تدريبها على بيانات " ليدار " من الأراضي المنخفضة في المايا آلاف الهياكل السكنية، والسباق، والمستودعات التي لم تكن مرئية للدراسة الاستقصائية التقليدية.() وتشير دراسة تحليلية لأنماط الاستيطان إلى أن المدن الرئيسية مثل تيكال وكاليكمول كانت جزءاً من تجمع حضري مستمر وليس من دول معزولة في المدينة، مما أعاد تشكيل فهمنا للمنظمة السياسية في المايا().

تنازل عن العصر البرونزي

تم فصل خط الطول باء، نص الإغريق في منطقة ميسينا في الخمسينات من خلال تحليل الإنسان، ولكن تم استخدام التعلم الآلي منذ ذلك الحين لإعادة بناء أقراص مكسورة من بيلوس وكنوسوس، وقام فريق في جامعة أوكسفورد بتدريب نموذج بيزي على تسلسلات الإيديغرامات وزيادات السيلوربوم المفقودة من أجل اقتراح إعادة تصنيف قابلة للتنبؤ في السجلات الإدارية إلى الأبد.

التحديات والحدود

ورغم وعدها، فإن التعلم الآلاتي في علم الآثار يواجه عقبات خطيرة تتطلب اهتماما دقيقا.

نوعية البيانات وثنائية

ومعظم البيانات الأثرية تأتي من حفريات مموَّلة تمويلاً جيداً في أوروبا والشرق الأدنى، مما يخلق تحيزاً في مجموعات التدريب، وقد تؤدي المقاييس التي تم تدريبها على البطاريات الإيطالية أداءً ضعيفاً على سفن الأنديز، وبالمثل، إذا كانت مجموعة التدريب تشمل فقط دفن النخبة، فإن النموذج قد يحدد بشكل غير صحيح الأسر المعيشية المشتركة باعتبارها غير جزرية.

مشكلة الصندوق الأسود

وهناك نماذج كثيرة للتعلم العميق تعمل كصناديق للزراعة - تنتج نتائج دقيقة ولكنها تقدم نظرة غير واضحة إلى السبب، ومن المهم بالنسبة للأثريات، أن يُفسَّر الباحثون في مجال الحرق على الأرجح، إذا ما تبين أن هناك نموذجاً يُستخدم في هذا المجال، فإن علماء الآثار بحاجة إلى فهم السمات التي يستخدمها (تفكيك التربة؟ أنماط التطهير؟) لتقييم التنبؤات.

بيانات مجزأة ومزعجة

وكثيرا ما تكون البيانات الأثرية للعالم الحقيقي غير كاملة أو مطروحة أو مختلطة بالحطام الحديث، ويمكن أن تفشل نماذج التعلم الآلات التي تتوقع أن يُدخلها النظيف عند مواجهة هذه الظروف، وقد تُعد تقنيات زيادة البيانات - مثل إضافة الشقوق أو تفكيك الصور إلى صور التدريب - نماذج أكثر قوة، ولكنها لا تستطيع أن تعوض تماما عن المعلومات المفقودة.

الاعتبارات الأخلاقية والمتعلقة بالملكية

ومن يملك عمليات إعادة البناء الرقمية التي تنتج عن التعلم الآلات؟ وإذا كان الخوارزمي يولد ترجمة معقولة لنص قديم، فهل ينشئ هذا الحق حقوقا جديدة في التأليف؟ والأخطر من ذلك، يمكن استخدام التعلم الآلي في توليد مزورات مقنعة - أو تسجيلات مزيفة أو مصنوعات يدوية - يمكن أن تخدع حتى الخبراء، ويجب على علماء المحفوظات وعلماء البيانات التعاون لوضع معايير للدلائل المثبتة والتحقق.

الاتجاهات المستقبلية: التكامل مع 3D و VR

وتجمع الحدود التالية بين التعلم الآلي والتقنيات غير المتطورة من أجل خلق إعادة بناء تفاعلية للبيئات القديمة، وقد استخدم الباحثون في اتحاد أمريكا اللاتينية للجيل الثالث نماذج للصور الضوئية للقبور المصرية من مجموعة من الصور المرجعية، وعندما يقترن ذلك برؤوس حقيقية افتراضية، فإن هذه النماذج تسمح للمستعملين بأن يمشيوا عبر معبد مُستعاد رقمياً كما كان يبدو قبل 000 3 سنة.

وهذه إعادة البناء ليست مجرد أدوات تعليمية، بل يمكن أن تساعد أيضاً على اختبار الافتراضات، مثلاً عن طريق حفز الضوء والسليم في إعادة بناء محكمة كرة المايا، يمكن لأخصائيي الآثار أن يقيموا ما إذا كانت الملامح الصوتية مصممة عمداً لأداء الطقوس، وإدماج التعلم الآلاتي مع الوعود النموذجية 3D لجعل الحضارات القديمة متاحة بطرق كانت تقتصر في السابق على الديوان المتحف.

التعاون هو مفتاح

ومن أجل تحقيق الإمكانات الكاملة للتعلم الآلي في إعادة بناء الحضارات القديمة، يجب أن تنهار القيود بين التخصصات، ويتعين على علماء المحفوظات فهم أساسيات علوم البيانات، ويتعين على العلماء الحاسوب تقدير أوجه التباين في سياقات الحفر، وتتزايد المدارس الميدانية المشتركة وقواعد البيانات المشتركة ومستودعات الرموز المفتوحة المصدر، ولكن التمويل اللازم لهذا العمل المتعدد التخصصات لا يزال نادرة.

وتقود منظمات مثل دائرة بيانات الآثار ومعهد لدراسة العالم القديم ] جهودا لتوحيد أشكال البيانات وتشجيع استخدام المعارف الأخلاقية، ومع توسع هذه الموارد، سيستمر التعاون بين البشر وأخصائيي التكنولوجيا في كشف القصص المدفونة لفترة طويلة في إطار الرمل والتربة.

إن تعلم الآلات لا يحل محل اليد المتأنية لعلم الآثار أو حكاية التاريخ، بل يقدم عدسة قوية يمكن من خلالها أن نرى الماضي بشكل أوضح - أي واحدة يمكن أن تجد أنماطا في الضوضاء الهائلة وتتنفس حياة في أجسام صامتة مكسورة، والحضارات التي بنيت هرمات، وأقراص ملصقة، وقطع رؤوس حجارة ضخمة تتكلم إلينا مرة أخرى، وأخيرا، نتعلم.