תמונות היסטוריות הן הרבה יותר מאשר תמונות סטטיות; הן חלונות לעידןים בודדים, ללכוד רגעים של משמעות תרבותית, התקדמות טכנולוגית וחיי היומיום. Archives, מוזיאונים, ספריות ברחבי העולם מחזיקים מיליוני רשומות חזותיות אלה, כל אחד עם פוטנציאל ליידע ומעורר השראה חוקרים, מחנכים, והציבור.אבל הערך המלא של אוספים אלה - רוחב, עומק ועושר היסטורי - יוצר אתגר רב עוצמה, אשר יש צורך בארכיון מחדש, אשר יש צורך בארכיון חדש, וניתן יהיה מסוגל, אך ורק עכשיו, כדי לתאר מחדש, ומעניין, את הגישה ההיסטורית, יש צורך, כך, אשר יש צורך, וניתן לקטלוג, יש צורך, זה, זה, זה, זה, זה זמן רב, הוא, הוא זמן רב, הוא, הוא מסוגל, הוא מסוגל, הוא מסוגל, הוא ארוך, אך ורק זמן רב, הוא, ומעניין, על ידי כך, על ידי כך, הוא, אך ורק על ידי כך, כדי לתאר מחדש, על ידי כך, על ידי כך, על ידי כך, על ידי ארכיון מחדש, על ידי כך, עם הזמן, על ידי כך, על ידי כך, על ידי כך, על ידי כך, על ידי כך, על ידי כך, על ידי כך ארוך, על ידי כך, על ידי כך, על ידי כך, ו

סולם הבעיה

כדי להעריך את ההשפעה של AI, יש להבין תחילה את גודל המשימה הקטלוג.ארכיון גדול אחד - כגון הספרייה של ארה"ב של הדפסה וצילומים - מחזיק יותר מ 14 מיליון פריטים.רבים מהם הם ייחודיים, שבריריים, והיסטוריים קטלוגים שונים, דורש מומחים אנושיים לבחון כל תצלום, לזהות אלמנטים מרכזיים (אנשים, אירועים, תאריכים), והנתונים המובנות לתוך מסד נתונים של מספר עצום של חומרת צבעים, הוא רק כמה פעמים, כלומר, רק על ידי כמה תמונות צבע, הוא רק על ידי כמה פעמים, הוא רק עלות, כמה זמן קצר של חומר מרשימות, רק על ידי כמה פעמים, כלומר, הוא רק על ידי תריסר, הוא רק על ידי תריסר, עלות, כלומר, כלומר, עלות, רק על ידי כמה חומרתות, על ידי כמה פעמים, על ידי כמה חומר מקבצי וידאו, על ידי כמה חומר מקבצי וידאו, על ידי כמה זמן קצר של חומר מקבצי וידאו, על ידי מספר גדול, על ידי מספר גדול של חומר מקבצי וידאו, הוא יכול להיות מסוגל להיות מסוגל להיות מסוגל להיות בעל אופי מדהים, על ידי כמה פעמים, על ידי כמה זמן, כלומר, על ידי כמה זמן קצר של חומר, על ידי כמה זמן, על ידי קטלוג של חומר מקבצי וידאו

יתר על כן, קטלוג ידני הוא לא עקבי.קטלוגים שונים עשויים ליישם תנאים שונים עבור אותו אובייקט, או שהם עשויים לפרש ההקשר היסטורי רב-משמעי בדרכים שונות.לאורך זמן, זה יוצר תיקון של metadata כי מעכב חיפושים החוקרים "automobile" עלול להחמיץ תמונות מתוייגות עם "מכונית מוטורית" או "carage".

כיצד בינה מלאכותית הופכת את הקטלוג של תמונות

בינה מלאכותית מציעה חבילה של טכנולוגיות שיכולות להאיץ ולשפר את זרימת העבודה הקטלוג. במקום להחליף מומחיות אנושית לחלוטין, AI משמש ככפל כוח, טיפול בזיהוי העבודה ביותר ובתווית משימות תוך השארת פרשנות ובקרת איכות לארכאיביסטים.

צילום: Recognition and Computer Vision

At the heart of modern AI cataloging is computer vision—the ability of machine learning models to interpret the content of images. Convolutional neural networks (CNNs) and more recent transformer-based architectures can be trained to detect objects, scenes, and even specific individuals. For example, a model can be trained on thousands of historical photographs to recognize a Model T Ford, a Victorian-era dress, or a typical 1920s storefront. Some advanced systems can identify architectural styles, distinguish between indoor and outdoor settings, and classify time periods based on visual cues such as clothing or technology.

זיהוי האופי האופטימי (OCR) ו- Handwriting Recognition

תמונות היסטוריות רבות מכילות מידע טקסטואלי - נקודות, תאריכים, שמות, או הערות שנכתבו על גבי טכנולוגיית OCR, פעם מוגבל הדפסה נקייה, התקדם באופן דרמטי, עכשיו מסוגל להוציא טקסט מדגנים, נמוג, או תמונות לא מושלמות.עבור כתבי יד כתובים וכתובות, מודלים מיוחדים בכתב יד (לעיתים קרובות על בסיס רשתות עצביות חוזרות ונשנות או ממות) יכול לנטרל תוכן עם דיוק גובר, אם כי ישארו אתגרים חיוניים לתמונות.

דור מטא-נתונים ו-Tagging

מודלים של בינה מלאכותית יכולים גם ליצור תגים תיאוריים ומילות מפתח באופן אוטומטי.על ידי ניתוח תכונות חזותיות וצלב-refering אותם עם vocabularies מבוקרים קיימים (כגון Thesaurus for Graphic Materials או Library of Congress Subject Headings), מערכות יכולות להציע תנאים, מיקומים גיאוגרפיים, ותקופות זמן מסוימות.

זיהוי פנים ואנשים

בעוד שנוי במחלוקת בכמה יישומים, זיהוי פנים הוכיח ערך בארכיונים היסטוריים לזיהוי אנשים לא ידועים בתמונות קבוצתיות או דיוקנאות.הרכב על סט ההתייחסות של דמויות ידועות, AI יכול להציע משחקים פוטנציאליים, אשר ניתן לאמת על ידי היסטוריונים.לדוגמה, מוזיאון הזיכרון השואה של ארצות הברית השתמש בהכרה פנים כדי לזהות קורבנות וניצולים בתמונות טרום המלחמה, ובכך להאיץ את תהליך השימור של סיפורים אישיים.

מפתח AI Technologies בפירוט

בבסיס היכולות הללו, הם מספר תחומים טכניים שעובדים יחד בצורה חלקה בצנרת קטלוג מודרנית.

רשתות למידה עמוקה ו נילי

רוב מערכות זיהוי תמונות עכשוויות מסתמכות על למידה עמוקה, תת-קבוצה של למידת מכונה המשתמשת ברשתות עצביות מרובות-שכבות כדי ללמוד תכונות היררכיות מהנתונים.רשתות עצביות מהפכתיות (CNN) יעילות במיוחד עבור תמונות, כפי שהם יכולים לזהות קצוות, מרקמים, צורות ואובייקטים ספציפיים יותר כמו Visioners (Ts) מתייחסים לדימויים כמו רצפים, לכידת תמונות מתקדמות עם דיוק גדול יותר.

עיבוד שפה טבעית עבור Metadata

לאחר ההכרה החזותית מייצרת קבוצה של תגים, עיבוד שפה טבעית (NLP) יכול לארגן אותם לרשומות מטא-נתונים קוהרנטיות.מודלים של NLP יכולים לשתק נרדפות, תנאי מפה לשליטה בקוביות, ואפילו ליצור סיכומים קצרים או כוויתות.לדוגמה, מודל עשוי להסתכל על תגים "אישה, כובע, אופניים, 1910" וליצור משפט: "אישה לובשת תסרוקת ענק עם תנוחות עגולות של אופניים וכובעים" עם כדור הארץ עם פערים חשמליים.

אוטומציה ואינטגרציה

קטלוג בינה מלאכותית יעיל אינו רק על המודלים; הוא עוסק שילובם לתוך זרמי עבודה ארכיוניים קיימים.פלטפורמות כמו FLT:0DirectusFLT:1 (ה-CMS חסר הראש שהפך את הדיון הזה) יכול לשמש כעמוד השדרה עבור אוטומציה כזו, חיבור שירותי AI באמצעות API, אחסון שנוצר מטא-נתונים, ומאפשר סקירה אנושית ועריכה צינור טיפוסי יכול להיות: מיפוי של דיוק, ולאחר מכן, כדי לשלוח מיפוי של שירות דיגיטלי, כדי לספק דיוק, כדי להציג את הדיוק, ולאחר מכן, כדי לספק את הדיוק של מערכת אבטחה דיגיטלית, ולאחר מכן, כדי לספק מיפוי של Microsoft, כדי לספק מיפוי, ולאחר מכן, כדי לספק מיפוי נתונים, כדי לספק מיפוי נתונים, כדי לספק מיפוי נתונים, כדי לספק ויזואלית, ולאחר מכן, כדי לספק מיפוי נתונים, ולאחר מכן, כדי לספק מיפוי נתונים, כדי לספק מיפוי נתונים, ולאחר מכן, כדי לספק מיפוי נתונים אלקטרוניים, כדי לספק ויזואלית, כדי לספק מיפוי נתונים אלקטרוניים, ולאחר מכן, כדי לספק מיפוי נתונים אלקטרוניים, כדי לספק מיפוי נתונים, כדי לספק מיפוי נתונים, ולאחר מכן, כדי לספק מיפוי נתונים אלקטרוניים, ולאחר מכן, ולאחר מכן, כדי לספק מיפוי נתונים, כדי לספק מיפוי נתונים,

היתרונות של ארכיונים ומוסדות

אימוץ AI לקטלוג מביא הטבות טרנספורמטיביות המשתרעות הרבה מעבר להישגים של יעילות בלבד.ארכיונים שמיושמות את הכלים האלה מדווחים על השיפורים הבאים:

  • (FLT:0Speed:03: ⁇ ) AI יכול לעבד אלפי תמונות בשעה, להפחית את מה שייקח קטלוגים אנושיים במשך ימים או שבועות.עבור מוזיאון קטן עם צוות מוגבל, זה יכול להיות ההבדל בין אוסף חבוי לבין אוסף נגיש לציבור.
  • (FLT:0)Consistency:FLT:1 Machine-generated metadata לדבוק באותו אוצר מילים וכללים ברחבי האוסף כולו.זה מבטל את הסחף וההבדלות הטבועים בקטלוג ידני, מה שהופך תוצאות חיפוש אמינות יותר.
  • (FLT:0)Enhanced נגישות:FLT:1 עם metadata מקיף, תמונות הופכות לקשוח מילות מפתח, מסונן עד תאריך, מיקום או נושא, וגלויה באמצעות פורטלים מקוונים. מוסדות רבים ראו עלייה דרמטית במעורבות המשתמשים לאחר יישום קטלוג מבוסס בינה מלאכותית.
  • (FLT:0) אפשרויות אנליטיות חדשות: AI יכול לזהות דפוסים וקשרים שיהיו בלתי אפשריים לבני אדם להבחין במיליוני תמונות.לדוגמה, אפשר לשאול: "איך נשים השתנות אופנה בערים אמריקאיות בין 1890 ל-1920?", ולקבל ניתוח חזותי המצטבר מאלפי תמונות מתויגות.
  • (FLT:0) שיתוף הפעולה: FIRLT:1 בעוד שעלויות ההתקנה הראשוניות והחיוביות קיימות, החיסכון לטווח ארוך מעבודה ידנית מופחתת הם משמעותיים.שירותי בינה מלאכותית מבוססי ענן מציעים מודלים בתשלום כמו שאתה-גו, מה שהופך את הטכנולוגיה המתקדמת לנגישה אפילו למוסדות במימון.

יישומים אמיתיים ומקריות

מספר ארכיונים בולטים כבר החלו לשלב בינה מלאכותית לתוך זרימות העבודה המקטלוגים שלהם, לספק תובנות והוכחה חשובים למושג.

ספריית הקונגרס - Chronicling America and Prints & Photographs

ספריית הקונגרס ניסתה עם AI להגביר את הגישה להחזקה העצומה שלה.בפרויקט הדיגיטיזציה של העיתון Chronicling America, OCR וניתוח תמונות כבר בשימוש כדי לחלץ איורים ותמונות לצד טקסט.עבור הדפסה ותצלומים, למידת מכונה הועסקה להציע כותרות עבור תמונות היסטוריות, צמצום הגיבוי של חומרים לא-קטולוגים.

Google Arts & Culture - מוזיאון שותפים

הפלטפורמה של גוגל משתמשת בחזון מחשב כדי לתייג באופן אוטומטי וקטגור יצירות אמנות ותצלומים ממוסדות שותפים.המערכת יכולה לזהות אובייקטים, אנשים ואפילו סגנונות אמנותיים, יצירת metadata אשר מעצימה את תכונות החיפוש והמליצות של הפלטפורמה. עבור מוזיאונים קטנים יותר, קטלוג זה מונע AI מאפשר להם לשים את האוספים שלהם באינטרנט בפעם הראשונה ללא עלויות עבודה אוסרות.

מכון ⁇ - הכרה פנים לדיוקנאות היסטוריים

האנתרופולוגיה חקרה באמצעות זיהוי פנים כדי לזהות אנשים בארכיונים הצילום שלה, כולל אנשים לא ידועים בעבר בתמונות מתקופת מלחמת האזרחים.על ידי מעבר-הלב עם דיוקנאות ידועים ומאגרי נתונים ביוגרפיים, החוקרים הצליחו לשים שמות לפרצופים שהיו אנונימיים במשך יותר ממאה שנים.העבודה מדגישה את ההזהות האתית הנדרשת - ה ⁇ ביססה הנחיות ברורות כדי למנוע הפרות פרטיות ולהבטיח טיפול מכובד של תמונות רגישות.

ארכיון המדינה של הולנד - דור מטא-נתונים אוטומטי

הארכיון הלאומי ההולנדי יזם פרויקט טייס באמצעות כלי AI של מיקרוסופט כדי ליצור באופן אוטומטי metadata עבור אלפי תמונות היסטוריות.המערכת הוכשרה על קבוצה של 10,000 תמונות מתויגות באופן ידני, ולאחר מכן החל על סט בדיקות גדול יותר.תוצאות הראו כי AI יכול לזהות במדויק אלמנטים בסיסיים - כמו "זנדיר", "טנק", או "כיכר צמיגים" - עם יותר מ 80% דיוק, להפחית משמעותית את העבודה על קטלוג אנושי, אשר צריך רק כדי לבדוק את ההצעות הנכונות של AI.

(ב) לקריאה נוספת, ה- 0 (הופנה מהדף Digital Collections) מציע חלון להיקף האתגר, ופלטפורמת התרבות של Google Arts & Culture MapveFLT 3 (מציג את כוחו של גילוי מונעי בינה מלאכותית (ABC) לארכיון ניתן לחקור באמצעות כתבי עת כגון: The FLT:4Journal of the American Evolution Society for Information and Technology for Science and Science; and the 7.Fristial of the 7)

אתגרים ושיקולים אתיים

בעוד ש-AI מחזיק בהבטחה עצומה, היישום שלה בקטלוג היסטורי אינו ללא אתגרים משמעותיים שיש לטפל בהם כדי להימנע מפגיעה בלתי מכוונת ולהבטיח אמינות.

שקיפות וחיובים כוזבים

מודלים של בינה מלאכותית אינם פגום.הם יכולים לזהות אובייקטים, במיוחד בתמונות היסטוריות השונה באופן דרסטי מנתוני אימון מודרניים. A המאה ה-19 עשוי להיות מבולבל עם בגדים מודרניים, או קרון שצייר סוס עשוי להיות מוטעה עבור משאית. שגיאות כאלה יכולות להפיץ דרך metadata ומחקר עתידי לא נכון.

BAS ב- Training Data

מערכות בינה מלאכותית הן רק טובות כמו הנתונים שהן מאומנות עליהם.אם מודל מאומנים בעיקר על תמונות מערביות, המאה ה-20, הוא יבצע בצורה גרועה על תמונות מתרבויות אחרות או תקופות זמן.זה מוביל לייצוג שיטתי והצגת חיקוי של קהילות מיעוט, אירועים היסטוריים מנקודת מבט לא מערבית, וחיי היומיום מחוץ לארכיונים מרכזיים.

פרטיות נתונים ושימוש מוסרי

תמונות היסטוריות מכילות לעיתים קרובות תוכן רגיש – פני אנשים, תמונות של חולים רפואיים, צילום מלחמה ותמונות של קבוצות פגיעות.קטלוג אוטומטי עשוי לחשוף מידע פרטי שלא נועד להיות חיפוש פומבי.לדוגמה, זיהוי פנים יכול לזהות אנשים שמאוחר יותר הפכו לקורבנות של רדיפות. Archives חייב לקבוע הנחיות אתיות עבור מה יכול להיות אוטומטי, והם חייבים לתת לקהילות קול כיצד תמונות של אבותיהם משמשים כמה מוסדות, כמו מסגרות לאומיות שפותחו במיוחד עבור פרויקטים של AI.

עלויות וגדרות טכניות

בעוד ש-AI יכול להיות יעיל בטווח הארוך, ההשקעה הראשונית בטכנולוגיה, תשתיות והכשרה יכולה להיות מונעת עבור ארכיונים קטנים יותר.רבים חסרים את המומחיות בתוך הבית כדי להכשיר ולהפיץ מודלים מותאמים אישית, ושירותים מבוססי ענן עשויים להעלות חששות לגבי ריבונות נתונים וספק לטווח ארוך מנעול-אין-ב.פתוחים כמו FLT:0DirectusFLT:1 כמו מודל CMS חסר ראש יכולים להפחית כמה בעיות גמישות, אך עדיין ניהול משאבי AI.

התנגדות לשינוי

ארכיאולוגים והיסטוריונים, מגינים ביודעין על השיפוט המקצועי שלהם, עשויים להיות ספקנים בקטלוג מונעי בינה מלאכותית.יש חשש כי אוטומציה תקלקל מומחיות אנושית או לפשט את המורכבות של ההקשר ההיסטורי.המימוש המוצלח דורש שילוב צוות מההתחלה, מה שמוכיח כי AI הוא כלי לשיפור ולא להחליף את העבודה שלהם, ולספק הכשרה כדי שיוכלו לשתף פעולה ביעילות עם הטכנולוגיה.

שיטות יעילות ביותר ליישום קטלוג בינה מלאכותית

בהתבסס על שיעורים של אימוץ מוקדם, מומלץ כאן שיטות הטובות ביותר עבור מוסדות בהתחשב ב-AI עבור קטלוג תמונה היסטורי:

  • (FLT:0)Start Small with a Pilot Project:FreaLT:1) בחר תת-קבוצה מייצגת של האוסף שלך - אולי כמה מאות תמונות - כדי לבדוק את הכלים AI וזרימת העבודה.זה מאפשר הערכה של דיוק, עלות וחיסכון בזמן לפני הגדלה.
  • (FLT:0) Invest in High-Quality Training Datarov:FLT) 1 אם משתמשים במודלים מותאמים אישית, ליצור מערכת אימונים מגוונת ומוטעמת היטב המשקפת את המגוון המלא של האוסף שלך.
  • (FLT:0) שימור אנושי-ב-הLooprov:FLT) 1 AI צריך ליצור הצעות, לא החלטות סופיות.תהליך ביקורת עניבה – שבו תגים של ביטחון נמוך מלוטשים באופן אוטומטי לסקירה אנושית, ותגי ביטחון גבוה הם בעלי יכולת אוטומטית – מאוזנים יעילות עם דיוק.
  • (FLT:0) פתח התקנים ו- Vocabularies:FLT 1:1 השתמש בתקני metadata קיימים כגון דבלין Core, MODS, או ספריית הקונגרס Thesaurus for Graphic Materials כדי להבטיח יכולת הדדית וקיימות ארוכת טווח.
  • (FLT:0) ממורטור ואאודיט ברציפות: ההרחבה 1 (Aliph 1) מעקב אחר ביצועי מודלים של AI לאורך זמן, במיוחד כאשר תמונות חדשות מתווספות באופן זמני, מאמתות מדגם של metadata מחוסן בינה מלאכותית נגד הערכות ידניות כדי לזהות סחף או הטיות מתעוררות.
  • (ב) [ה]התעסקות עם הקהילה: [ה]מחדש] [ה] [ה] [ה] [ה]] [ה] [ה] [ה] [ה]]]] [ה]] [ה]] [ה], [ה]ההההההההההההה] [ה] [ה] [ה]]] [ההתחילה] [ה] [ה]] [ה] [ה]]]] [ה] [ה] [ה] [הה] [ה] [ההההההה] [ה] [ה] [הה] [ה] [ה] [ה] [ה]]]] [ה]]] [הההההה] [ה] [ה]]]]]] [ה] [ה] [ה[ה] [ה] [ה]]] [ה] [ה]] [ה] [ה]]] [ה] [ההה] [ה] [הה] [ה] [ה]]]] [הההההה]] [הההה

עתידה של AI בארצ'ינג היסטורי

במבט קדימה, השילוב של בינה מלאכותית לקטלוג הצילום ההיסטורי הוא להיות אפילו יותר מתוחכם ונרגש.כמה מגמות מתעוררות מבטיח להעמיק את יכולתנו להפיק משמעות מארכיונים חזותיים.

הבנה מעמיקה

מודלים עתידיים של בינה מלאכותית לא רק לזהות אובייקטים אלא גם לפרש את המשמעות ההיסטורית של אובייקטים אלה בתוך המסגרת.דמיין AI שמכיר באנר עצרת פוליטי ויכולה לשחזר את האירוע הספציפי, התאריך, והנאומים הקשורים אליו.זה ידרוש שילוב של ניתוח חזותי עם גרפים ידע ומאגרי מידע היסטוריים מובנות.מודלים שפה גדולים (LLM) כמו GPT-4 יכולים כבר ליצור נרטיבים מרשימים; כאשר בשילוב עם ויזואליים אמינים, הם יכולים לייצר קלטות היסטוריות.

ניתוח רב-ממדי

תמונות נדירות קיימות בבידוד.הם מלווה לעתים קרובות בתיאורים טקסטאליים, מאמרים בעיתון, היסטוריה אוראלית, או הקלטות אודיו. Multimodal AI יכול למזג סוגים שונים של נתונים להבנה מאוחדת, לחצות את הפנים בתמונה עם שם שהוזכר ביומן, או להתאים ציון דרך במפה. גישה הוליסטית זו תייצר הרבה יותר עשירה משכל מודולליות יכולה לספק.

פלטפורמות שיתופיות ו Crowdsourced

AI יעצים לא רק את הארכיטיביסטים המקצועיים, אלא גם את הכלים הציבוריים שמאפשרים למתנדבים לאמת ולחדד את המטא-נתונים המוערכים על ידי AI – כמו תוכנית "מתנדבים דיגיטליים של ⁇ " – יכולים לשלוט ברמת משקל תוך מומחיות קהילתית מרתקת.בפלטפורמות שיתופיות עשויות לאפשר להיסטוריונים לתרום ידע קונטקסטואלי ישירות, המקשרות תמונות להיאחזות אחרות ומשאבים חיצוניים.

שימור ושיקום דיגיטלי

AI משמש גם לשחזר תמונות פגומים - תיקון סדקים, תיקון שינויי צבע, ולהגדיל תמונות ברזולוציה נמוכה - עושה קטלוג אפשרי עבור תמונות שהיו בעבר מופרכות מדי לעבד.יכולות שיקום אלה ירחיבו את הבריכה של חומרים מקטלוגים, להביא תמונות נשכחות חזרה לתוך הרשומה ההיסטורית.

בינה מלאכותית אתית באמצעות עיצוב

ככל שהמודעות להטיה ופרטיות גדלה, מערכות בינה מלאכותית עתידיות יכללו בהגינות, אחריות ושקיפות כעקרונות עיצוב הליבה.אנו יכולים לצפות לשימוש נרחב יותר ב-AI (XAI) אשר מראה מדוע נוצר תג או זיהוי מסוים, מה שמאפשר לארכיולוגים לבטוח – או לשאול – את התפוקה של המודל.

מסקנה

האוטומציה של צילום היסטורי המקטלוג באמצעות בינה מלאכותית מייצגת שינוי פרדיגמטי באופן שבו אנו שומרים והופכים נגישים למורשת החזותית שלנו.על ידי מינוף ראיית מחשב, NLP ואוטומציה של זרימת העבודה, הארכיון יכול לעבד אוספים בקנה מידה ומהירות שלא ניתן להעלות על הדעת, תוך שיפור עקביות ומאפשרת צורות חדשות של ניתוח.

בסופו של דבר, הבינה המלאכותית אינה מפחיתה את תפקיד הארכיאולוגים וההיסטוריונים; היא מגבירה את יכולתם לחשוף את הסיפורים החבויים בתוך מיליוני תמונות.כפי שטכנולוגיות אלה בוגרות, אנו יכולים לצפות לעתיד שבו כל תמונה היסטורית – לא משנה כמה מעורפלת – היא רק חיפוש, מוכן לחנך, לעורר השראה ולחבר אותנו עם העבר.