Comment l'apprentissage automatique remodele notre vision du passé

L'apprentissage automatique, sous-ensemble de l'intelligence artificielle, est devenu un outil de plus en plus important pour les historiens et les archéologues. En traitant d'énormes ensembles de données bien au-delà de la capacité humaine, ces algorithmes aident à reconstruire les cultures perdues, combler les lacunes dans les artefacts endommagés, et même déchiffrer des scripts qui sont restés illisibles depuis des siècles.

L'archéologie traditionnelle repose sur des fouilles minutieuses, des artefacts physiques et des documents écrits, qui peuvent tous être incomplets, dégradés ou biaisés vers certaines classes ou régions sociales. Les modèles d'apprentissage automatique, formés à partir d'exemples de contextes connus, peuvent identifier des motifs subtils dans des fragments de poterie, de pierre ou d'os, puis extrapoler pour générer des reconstructions plus complètes.

Sources de données pour l'apprentissage automatique en archéologie

Le succès de toute application d'apprentissage automatique dépend de la qualité et de la quantité des données. En archéologie, les données proviennent d'une grande variété de sources, chacune ayant ses propres défis et opportunités.

Bases de données sur les artéfacts physiques

Les musées et les universités du monde entier ont numérisé des millions d'objets, allant des shards de poterie et de la monnaie aux outils et aux inscriptions. Ces images, ainsi que les métadonnées associées (emplacement, date, matériel, style), forment les ensembles de formation pour les algorithmes de classification. Par exemple, les réseaux neuronaux convolutionnels (RCN) peuvent apprendre à distinguer les styles céramiques séparés par des siècles avec une grande précision, aidant les archéologues à dater les couches plus précisément.

Imagerie par satellite et par satellite

Des images satellite à haute résolution, des données LiDAR et des photographies de drones offrent une vue d'oiseau sur les paysages.Des modèles d'apprentissage automatique formés sur des caractéristiques archéologiques connues — comme les champs surélevés, les terrasses ou les monticules d'enfouissement — peuvent scanner de vastes zones pour trouver des sites cachés qui seraient impossibles à détecter sur le sol. Cette approche a été particulièrement efficace dans des régions densément boisées comme l'Amazonie et l'Asie du Sud-Est, où des colonies anciennes sont enterrées sous une épaisse couverture.

Environnement et climat

Les carottes de glace, les anneaux d'arbres, les sédiments de lac et les échantillons de pollen contiennent de riches renseignements sur les climats passés. L'apprentissage automatique peut corréler ces enregistrements avec la montée et la chute des civilisations, aidant les chercheurs à comprendre comment la sécheresse, les inondations ou les éruptions volcaniques ont influencé l'effondrement ou la migration de la société.Une étude publiée dans Nature Communications a utilisé l'apprentissage automatique pour analyser 5 000 années de données climatiques et a trouvé des liens solides entre les changements climatiques brusques et les grandes transitions culturelles au Proche-Orient (]lire l'étude.

Corpora textuel et inscriptions

Les textes anciens, que ce soit sur des tablettes d'argile, du papyrus ou de la pierre, présentent un défi unique car beaucoup sont fragmentés, effacés ou écrits dans des scripts non décipés. Les modèles d'apprentissage automatique, surtout ceux utilisant le traitement du langage naturel (NLP), peuvent analyser la distribution des signes, suggérer des lectures possibles, et même générer des traductions plausibles. Le script Indus Valley est un exemple notable où des algorithmes ont été appliqués pour essayer de déverrouiller le sens. De même, les modèles de transformateurs ont été utilisés pour reconstruire les passages manquants à partir d'inscriptions grecques endommagées sur la base de données épigraphique Heidelberg.

DNA ancien et restes organiques

Une nouvelle source de données est l'ADN ancien extrait des os, des dents et des sédiments. L'apprentissage automatique peut analyser les séquences génétiques pour retracer les schémas de migration, le mélange de population et la prévalence de la maladie dans l'antiquité.Par exemple, une étude de 2022 a utilisé des classificateurs forestiers aléatoires pour identifier les origines ancestrales des individus enterrés dans les tombes néolithiques en Europe, révélant que de nombreuses communautés étaient beaucoup plus génétiquement diversifiées que ce qui était supposé précédemment (Cell article[.

Algorithmes et techniques clés

Si le terme « apprentissage automatique » couvre de nombreuses approches, quelques techniques spécifiques sont particulièrement utiles pour les tâches de reconstruction en archéologie.

Réseaux neuronaux convolutionnels (RCN)

Les CNN excellent à la reconnaissance des images et ont été utilisés pour classer les types de poteries, identifier les marques d'outils et même détecter les graffitis anciens sur les murs. Des chercheurs de l'Université de Californie du Sud ont formé un CNN sur des milliers d'images de glyphes mayas, obtenant une plus grande précision que les experts humains dans la correspondance de glyphes partiels à ceux connus ( voir l'article.

Réseaux d'adversaires (RAG)

Les GANs sont constitués de deux réseaux concurrents : l'un génère de nouvelles données et l'autre en juge l'authenticité. En archéologie, les GANs peuvent reconstruire des régions endommagées d'artefacts ou remplir des parties manquantes de textes. Par exemple, un GAN formé à des inscriptions romaines complètes peut prédire les lettres manquantes sur une tablette cassée avec une fidélité remarquable, permettant aux historiens de restaurer des dédicaces entières ou des documents juridiques.

Réseaux neuronaux récurrents (RNN) et transformateurs

Pour les données séquentielles comme le langage, les RNN et les modèles de transformateur (l'architecture derrière le GPT) peuvent modéliser la probabilité d'un signe suivant un autre. Ceci a été utilisé pour déchiffrer des scripts non décipérés en comparant les séquences de signes aux langues connues. Un projet récent au MIT a utilisé un transformateur pour identifier les motifs dans le script linéaire A, qui reste non décipéré, suggérant qu'il peut représenter une forme précoce de grec minoen (MIT Technology Review article[).

Regroupement et réduction de dimensionnalité

Les méthodes d'apprentissage non supervisées comme le regroupement de k-means ou le t-SNE peuvent regrouper des artefacts similaires sans étiquette préalable.Cela aide les archéologues à découvrir des groupes stylistiques ou des liens commerciaux jusque-là inconnus. Par exemple, l'analyse des outils obsidiens dans toute la Méditerranée a révélé que certaines sources de verre volcanique étaient échangées sur des distances beaucoup plus longues que la pensée, ce qui indique des réseaux d'échange complexes.

Renforcement de l'apprentissage pour la planification de l'excavation

Une application émergente utilise l'apprentissage du renforcement pour optimiser les stratégies d'excavation. En simulant le coût et la probabilité de trouver des artefacts dans différentes cellules de grille, un agent RL peut suggérer le plan de creusement le plus efficace. Le projet RoboArch à Cambridge teste cette approche pour réduire le temps et le budget requis pour les fouilles à grande échelle tout en minimisant les dommages aux structures fragiles.

Études de cas : L'apprentissage automatique en action

Au-delà de l'exemple de script de la vallée de l'Indus, plusieurs autres projets illustrent la puissance de ces techniques.

Reconstruire l'ancienne Amazone

Pendant des décennies, les chercheurs croyaient que la forêt tropicale amazonienne était peu peuplée avant le contact européen, avec seulement de petits groupes nomades. Cependant, l'analyse de l'apprentissage automatique des données LiDAR a révélé des géoglyphes massifs, des collines en terrasse et des réseaux routiers cachés sous la verrière. Une étude de 2023 dans Science a utilisé un CNN pour scanner plus de 5 000 kilomètres carrés d'images, identifiant plus de 200 ouvrages terrestres précédemment inconnus, y compris des villages fortifiés et des places cérémonielles ().

Lecture de manuscrits carbonisés d'Herculaneum

Dans l'ancienne ville romaine d'Herculaneum, enterrée par Vésuve en 79 après J.-C., des centaines de rouleaux de papyrus ont été carbonisés en blocs fragiles et inopérables. L'apprentissage automatique a été utilisé pour «dérouler» pratiquement ces rouleaux en analysant les scans CT. Le Vesuve Challenge a offert un prix à la première équipe pour lire du texte en utilisant l'IA, et en 2023, une équipe a réussi à extraire des lettres grecques lisibles d'un rouleau brûlé (New York Times couverture. Cette percée promet de récupérer des œuvres philosophiques perdues, y compris des textes possibles du philosophe Épipean Philodemus.

Cartographie des plans urbains mayas

L'analyse des modèles d'établissement suggère que les grandes villes comme Tikal et Calakmul faisaient partie d'une expansion urbaine continue plutôt que d'un état-ville isolé, remodelant notre compréhension de l'organisation politique maya. Une étude de 2024 a utilisé des réseaux neuraux graphiques pour modéliser les itinéraires commerciaux entre ces colonies, révélant que les Mayas avaient une économie de marché interconnectée qui rivalisait avec celles des civilisations contemporaines du Vieux Monde (PNAS paper[].

Décorer l'âge du bronze Égée

Cependant, l'apprentissage automatique a été utilisé depuis pour reconstruire les tablettes cassées de Pylos et Knossos. Une équipe de l'Université d'Oxford a formé un modèle bayésien sur les séquences d'idéogrammes et de syllabogrammes pour proposer des restaurations plausibles des dossiers administratifs. Leur modèle a rempli avec succès 80% des caractères manquants sur les fragments d'essai, permettant aux historiens de lire des listes d'inventaire pour les chars, les épices et les textiles qui ont été pensés perdus pour toujours.

Défis et limites

Malgré sa promesse, l'apprentissage automatique en archéologie fait face à de sérieux obstacles qui exigent une attention particulière.

Qualité des données et partialité

La plupart des données archéologiques proviennent de fouilles bien financées en Europe et au Proche-Orient, créant un biais dans les ensembles de formation. Les algorithmes formés sur la poterie italienne peuvent se comporter mal sur les navires andins. De même, si un ensemble de formation ne comprend que des inhumations d'élite, le modèle peut mal identifier les ménages communs comme non-archaologiques.Les chercheurs doivent activement chercher divers ensembles de données et des modèles d'essai dans différentes régions pour éviter les résultats biaisés.

Problème de boîte noire

Pour l'archéologie, l'interprétation est essentielle. Si un modèle identifie un terrain comme un lieu de sépulture probable, les archéologues doivent comprendre les caractéristiques qu'il utilise (décoloration du sol? modèles de végétation?) pour évaluer la prédiction. Des méthodes d'IA explicables (XAI) sont en cours d'élaboration pour y remédier, mais elles ne sont pas encore standard. Des techniques comme SHAP (SHapley Additive exPlanations) et Grad-CAM thermomaps commencent à être appliquées aux CNN archéologiques, permettant aux chercheurs de voir quels pixels ont motivé la décision.

Données fragmentées et bruyantes

Les techniques d'augmentation des données, comme l'ajout artificiel de fissures ou de décolorations aux images d'entraînement, aident les modèles à devenir plus robustes, mais ils ne peuvent pas compenser complètement les informations manquantes. L'apprentissage du transfert, où un modèle pré-formé sur les données d'image générales est affiné sur des exemples archéologiques, a montré des promesses dans la manipulation d'éclairage variable et de perspective.

Considérations éthiques et de propriété

Qui possède les reconstructions numériques produites par l'apprentissage automatique? Si un algorithme génère une traduction plausible d'un texte ancien, est-ce que cela crée de nouveaux droits d'auteur? Plus sérieusement, l'apprentissage automatique peut être utilisé pour générer des contrefaçons convaincantes — des inscriptions ou des artefacts faux — qui pourraient tromper même les experts. Les archéologues et les data savants doivent collaborer pour établir des normes de provenance et de vérification.

Orientations futures: Intégration avec 3D et VR

La prochaine frontière est de combiner l'apprentissage automatique avec des technologies immersives pour créer des reconstructions interactives d'environnements anciens. Déjà, les chercheurs de l'UCLA ont utilisé les GAN pour générer des modèles photoréalistes 3D de tombes égyptiennes à partir d'une poignée de photographies de référence.

Ces reconstructions ne sont pas seulement des outils pédagogiques, elles peuvent aussi aider à tester des hypothèses. Par exemple, en simulant la lumière et le son dans une reconstruction d'un terrain de balle maya, les archéologues peuvent évaluer si les caractéristiques acoustiques ont été délibérément conçues pour des performances rituelles. L'intégration de l'apprentissage machine avec la modélisation 3D promet de rendre les civilisations anciennes accessibles de manière auparavant limitée aux dioramas muséaux.

La collaboration est essentielle

Pour réaliser le plein potentiel de l'apprentissage automatique dans la reconstruction des civilisations anciennes, les silos entre les disciplines doivent se décomposer. Les archéologues doivent comprendre les bases de la science des données, et les informaticiens doivent apprécier les nuances des contextes d'excavation.

Des organismes comme Archaeology Data Service et Institut d'étude du monde ancien mènent des efforts pour normaliser les formats de données et promouvoir l'utilisation éthique de l'IA. À mesure que ces ressources s'étendent, la collaboration entre humanistes et technologues continuera de révéler des histoires longtemps enfouies sous le sable, le sol et le temps.

L'apprentissage automatique ne remplace pas la main attentive de l'archéologue ou l'intuition de l'historien. Il offre plutôt un objectif puissant à travers lequel voir le passé plus clairement — celui qui peut trouver des modèles dans le bruit immense et respirer la vie en objets brisés, silencieux. Les civilisations qui ont construit des pyramides, inscrit des tablettes d'argile, et sculpté des têtes de pierre géante nous parlent à nouveau, et nous apprenons enfin à écouter.