כיצד Machine Learning מעצב מחדש את נקודת המבט של העבר

למידת מכונה, תת-קבוצה של אינטליגנציה מלאכותית, הפכה כלי חשוב יותר עבור היסטוריונים וארכיאולוגים.על ידי עיבוד נתונים עצומים הרבה מעבר ליכולת האדם, אלגוריתמים אלה מסייעים לשחזר תרבויות שאבדו, למלא פערים בחפצים פגומים, ואפילו תסריטים מפוצצים שנותרו בלתי קריא במשך מאות שנים.התוצאה היא תמונה מדויקת יותר, מבוססת נתונים של תרבויות עתיקות, אשר מאתגרות הנחות ארוכות ופותח שדרה חדשה של חקירה.

ארכיאולוגיה מסורתית מסתמכת על חפירות זהירה, חפצים פיזיים ורשומות בכתב - כל מה שיכול להיות לא שלם, מחוספס או מוטה כלפי כיתות חברתיות מסוימות או אזורים.מודלים למידה מכונה, אשר הוכשרו על דוגמאות מהקשרים ידועים, יכול לזהות דפוסים עדינים בשברירים של כורח, אבן או עצם, ולאחר מכן למנוע שיקום מלא יותר.

מקורות מידע ל- Machine Learning בארכיאולוגיה

ההצלחה של כל יישום למידת מכונה תלויה באיכות ובכמות הנתונים.בארכיאולוגיה, הנתונים מגיעים ממגוון רחב של מקורות, כל אחד עם אתגרים והזדמנויות משלו.

מסדי נתונים של Artifact

מוזיאונים ואוניברסיטאות ברחבי העולם יש ספרות מיליוני פריטים - החל מסרקטינים ומטבעות לכלים וכתובות.תמונות אלה, יחד עם metadata מקושר (מיקום, תאריך, חומר, סגנון), יוצרים את קבוצות ההכשרה עבור אלגוריתמים סיווג.לדוגמה, רשתות עצביות מהפכתיות (CNN) יכולות ללמוד להבחין בין סגנונות קרמיקה שהופרדו על ידי מאות שנים עם דיוק גבוה, להקלידחות על ארכיאולוגים בדיוק יותר מחסנים של מוזיאון ה-F: CLTF.

לווין ו-Aerial Imagery

תמונות לוויין ברזולוציה גבוהה, נתוני לידר ותצלומים של מזל"ט מספקים נוף עין הציפור של נופים.מודלים של למידת מכונות מאומן על תכונות ארכיאולוגיות ידועות - כגון שדות מוגדלים, טרסות, או מקולות קבורה - יכולים לסרוק אזורים עצומים כדי למצוא אתרים נסתרים שלא ניתן לזהות על הקרקע.

רשומות סביבתיות ואקלים

ליבות קרח, טבעות עץ, סיכות האגם, ודגימות האבקה מכילות מידע עשיר על אקלים העבר.הידע מכונה יכול לקשור את רשומות הפרוקסי הללו עם עלייתם ונפילתן של תרבויות, ולעזור לחוקרים להבין כיצד בצורת, שיטפון או התפרצויות געשיות השפיעו על קריסת חברתית או הגירה. A מחקר שפורסם ב-FLT:0 תקשורת 1:1 השתמש במכונה כדי לנתח 5,000 שנים של נתונים אקלים ומצא בין קישורים חזקים ומשתנים בין אקלים עמוק (Freads) לבין שינויים תרבותיים (R2reads)

טקסט ואינדיקציות

טקסטים עתיקים, בין אם על טבליות חימר, פפרירוס או אבן, מציגים אתגר ייחודי כי רבים הם מפורקים, דוענים או כתובים בתסריטים לא מפוצצים.מודלים של למידת מכונות, במיוחד אלה המשתמשים בעיבוד שפה טבעית (NLP), יכולים לנתח את חלוקת הסימנים, להציע קריאה אפשרית, ואפילו ליצור תרגומים סבירים.

DNA עתיק ושרידים אורגניים

מקור נתונים חדש יותר הוא DNA עתיק מופק עצמות, שיניים ומשקעים. Machine Learning יכול לנתח רצפים גנטיים כדי לעקוב אחר דפוסי הגירה, האוכלוסייה ערבוב, ותחלואה במחלה בעת העתיקה.לדוגמה, מחקר של 2022 השתמש במקרי יער אקראיים כדי לזהות מקורות אסטרליים של אנשים קבורים בקברים ניאוטיים ברחבי אירופה, חושף כי קהילות רבות היו הרבה יותר מגוונות מבחינה גנטית מאשר בעבר (Fal:0.CLT: 1.Fal: 1.

מפתח אלגוריתמים וטכניקות

בעוד המונח "למידה מכונה" מכסה גישות רבות, כמה טכניקות ספציפיות הן בעלות ערך מיוחד עבור משימות שיקום בארכיאולוגיה.

רשתות ערפיליות מהפכתיות (CNN)

CNN מצטיינים בזיהוי תמונות ושימש כדי לסווג סוגים של כלי, לזהות סימני כלי, ואפילו לזהות גרפיטי עתיקה על קירות.חוקרים באוניברסיטת דרום קליפורניה אימנו CNN על אלפי תמונות של Maya glyphs, להשיג דיוק גבוה יותר מאשר מומחים אנושיים התאמת glyphs חלקי כדי לזהות אלה (FLT:0see the PaperLTFreas 1) מהירויות אלה של תהליך קריאה גמישה.

רשתות ייעוץ (גנים)

gans מורכב משתי רשתות מתחרות: אחד יוצר נתונים חדשים, והשני שופטים את האותנטיות שלו.בארכיאולוגיה, gans יכול לשחזר אזורים פגומים של חפצים או למלא חלקים חסרים של טקסטים.לדוגמה, gan מאומן על כתובות רומיות שלמות יכול לחזות את האותיות החסרות על טבליה שבורה עם סדקים מדהימים, המאפשר להיסטוריונים לשחזר מסירות שלמות או מסמכים משפטיים.

רשתות נילי חוזרות (RNNNs) ו- Transformers

עבור נתונים כגון שפה, RNNNs ומודלים טרנספורמטיבי (האדריכלות שמאחורי GPT) יכול מודל ההסתברות של סימן אחד לאחר אחר.זה שימש כדי לפענח תסריטים לא מפוצצים על ידי השוואת רצפי סימנים לשפות ידועות.פרויקט לאחרונה ב-MIT השתמש ב- MIT כדי לזהות דפוסים בקוטר A תסריט, אשר נשאר undeciphered, מה שמצביע על כך עשוי לייצג צורה מוקדמת של טכנולוגיה עתיקה של מינוס 1Fanticer (Faneric Technology) אוer to help to Recognizer to Recognizer to Recognize).

קלוסטרינג ו- Dimensionality Reduction

שיטות למידה לא מבוססות כמו k-means מקבץ או t-SNE יכולות ליצור פריטים דומים ללא תוויות קודמות. זה עוזר ארכיאולוגים לגלות בעבר קבוצות סגנוניות לא מותאמות או קשרים מסחריים.לדוגמה, ניתוח של כלים obsidian ברחבי הים התיכון גילה כי מקורות זכוכית געשיים מסוימים נסחרו על פני מרחקים ארוכים יותר מאשר מחשבה, תוך מתן רשתות מורכבות של חילופי סחורות, בדומה לקונפיגורים בנטיות קבורה בהיררכיה חברתית, אשר זו מזוהות, כי מקורות זכוכית בלתי נראים בודדים.

Reinforcement Learning for Excavation Planning

יישום מתפתח משתמש חיזוק למידה אסטרטגיות חפירה אופטימיזציה.על ידי הדמיה של העלות והסיכוי למצוא פריטים בתאי רשת שונים, סוכן RL יכול להציע את תוכנית החפירות היעילה ביותר.הפרויקט FLT:0RoboArch בקיימברידג 'FLT:1 הוא לבחון גישה זו כדי להפחית את הזמן ואת התקציב הנדרש עבור חפורות בקנה מידה גדול תוך צמצום הנזק למבנים שבריריים.

מחקרים: Machine Learning in Action

מעבר לדוגמה הכתובה באינדיולס ואלי, מספר פרויקטים אחרים ממחישים את העוצמה של טכניקות אלה.

ארגון מחדש של האמזונס העתיקה

במשך עשרות שנים האמינו כי יערות הגשם של אמזון היו מאוכלסים ללא הפסק לפני מגע אירופי, עם קבוצות קטנות בלבד, נוודים, עם זאת, ניתוח למידת מכונה של נתונים לידאר חשף גיאוגרפיים מסיביים, גבעות מרוצפות ורשתות דרכים החבויות מתחת ל Canopy. A 2023 מחקר ב FLT:0ScienceFLT:1 השתמש ב- CNN כדי לסרוק מעל 5,000 ק"מ של תמונה, זיהוי יותר מ נרטיבים של אדמה ו- 200:2, כולל נרטיבים (Flaste)

קרא את הרשומות פחמן מ Herculaneum

בעיר הרומית העתיקה של הרקולנום, שנקברה על ידי ויסביוס ב- 79, מאות מגילות פפירוס היו מוגזמים בלוקים שבריריים, בלתי ניתנים לפתיחה. למידת מכונה שימשה כמעט "לא לגלול" את הגלולות הללו על ידי ניתוח סריקות CT.The FLT:0Vesuvius ChallengeFLT:1 הציע פרס עבור הקבוצה הראשונה לקריאה באמצעות טקסט AI, 2023 יצירות פילוסופיות אבודות (D)

צילום: Maya Urban Layouts

מודלים של למידת מכונות שהוכשרו על נתוני LiDAR מן המאיה היו מזוהים אלפי מבני מגורים, סיבתיות, ומאגרים בלתי נראים לסקר מסורתי.ניתוח דפוסי ההתנחלויות מציע ערים גדולות כמו Tikal ו- Calakmul היו חלק מספירה עירונית מתמשכת ולא מבודדת של ערים, לעצב מחדש את ההבנה שלנו של ארגון פוליטי מאיה.

צוולל עידן הברונזה הים האגאי

קואר B, התסריט של יוונית Mycenaean, היה מפוצל בשנות החמישים על ידי קידוד אנושי.עם זאת, למידת מכונה שימש מאז כדי לשחזר טבליות שבורות מ Pylos ו Knosos. צוות באוניברסיטת אוקספורד אימן מודל Bayesian על רצפים של ideograms וסילאבומים להציע plausible של שחזורים מנהליים של רשומות, אשר היו מסוגלים לנצח, 000 תמונות של תבלינים אבודים, אשר היו חסרים, אשר היו חסרים, 000, אשר היו חסרים, 000, 000, 000, 000, כדי להסביר, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000, 000

אתגרים ומגבלות

למרות הבטחתו, למידת מכונה בארכיאולוגיה ניצבת בפני מכשולים חמורים הדורשים תשומת לב זהירה.

איכות נתונים ו-Bas

רוב הנתונים הארכיאולוגיים באים מחפירה במימון היטב באירופה ובמזרח הקרוב, ויוצרים הטיה במערךי הכשרה.אלגוריסים שהוכשרו על כלי שיט איטלקים עשויים להופיע באופן גרוע על כלי שיט וים, אם מערכת אימונים כוללת רק קבורה עילית, המודל עשוי לזהות באופן שגוי משקי בית משותפים כמו לא ארכיאולוגים.

בעיית הקופסא השחורה

מודלים למידה עמוקה רבים פועלים כ"קופסאות שחורות" - הם מייצרים תוצאות מדויקות אך מציעים תובנה מועטה מדוע.עבור הארכיאולוגיה, הפרשנות היא קריטית.אם מודל מזהה פיסת קרקע כאתר קבורה סביר, ארכיאולוגים צריכים להבין את התכונות המשמשות (פירוק שמן) תבניות צמחייה?) כדי להעריך את החיזוי.סביר AI (XAI) שיטות לפתח לטפל, אבל הם עדיין לא מוחלים לתוכנות סטנדרטיות כדי לראות פיקסלים (ת) פיקסלים למולקולות (למשל, לדוגמה, לדוגמה, לדוגמה, לדוגמה, פיקסלים) פיקסלים) פיקסלים) פיקסלים (טכניקות של פיקסלים) פיקסלים (p) פיקסלים (למשל, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, לדוגמה, פיקסלים) פיקסלים) פיקסלים) כדי להעריך את ההסתברות) פיקסלים) פיקסלים לתקני אבטחה (טכנולוגיות אבטחה (טכנולוגיות אבטחה).

נתונים מורכבים ו Noisy

נתונים ארכיאולוגיים אמיתיים הם לעתים קרובות שלמים, מזג אוויר או מעורב עם מודלים מודרניים של למידה מכונה לצפות קלט נקי יכול להיכשל כאשר להתמודד עם תנאים אלה. טכניקות הגדלת נתונים - כגון הוספת סדקים או discolorations כדי להכשיר תמונות - עוזר מודלים להיות חזק יותר, אבל הם לא יכולים לפצות באופן מלא על העברת מידע.

שיקולים אתיים ובעלי

מי הבעלים של שחזורים דיגיטליים המיוצרים על ידי למידת מכונה?אם אלגוריתם יוצר תרגום סביר של טקסט עתיק, האם זה יוצר זכויות יוצרים חדשות? ברצינות רבה יותר, למידת מכונה יכול לשמש כדי ליצור שכנוע משכנע עבור אגרים - כתובות מזויפות או חפצים - אשר יכול להונות אפילו מומחים.ארכיאולוגים ומדענים נתונים חייבים לשתף פעולה כדי לקבוע סטנדרטים עבור הוכחה ואימות.

כיוונים עתידיים: שילוב עם 3D ו- VR

הגבול הבא משלב טכנולוגיות מכונה למידה עם טכנולוגיות immersive כדי ליצור שחזורים אינטראקטיביים של סביבות עתיקות כבר, חוקרים באוניברסיטת UCLA השתמשו gans כדי ליצור מודלים 3D פוטוריאליסטי של קברים מצריים מ קומץ תמונות התייחסות. כאשר יחד עם ראשי מציאות מדומה, מודלים אלה מאפשרים למשתמשים ללכת דרך מקדש משוחזר דיגיטלית כפי שהוא הופיע לפני 3,000 שנה.

שחזורים כאלה אינם רק כלי חינוך; הם יכולים גם לעזור לבחון השערות.לדוגמה, על ידי סימול אור וצליל בשיקום של בית משפט כדור מאיאן, ארכיאולוגים יכולים להעריך אם תכונות אקוסטיות נועדו בכוונה להופעות טקסיות.שילוב של למידת מכונה עם 3D מודלים מבטיח להפוך את התרבויות העתיקות לנגישות בדרכים שקודם לכן מוגבל ל dioramass.

שיתוף פעולה הוא המפתח

כדי לממש את הפוטנציאל המלא של למידת מכונה בבניית תרבויות עתיקות, סילוס בין דיסציפלינות חייב לשבור.ארצ'יאולוגים צריכים להבין את היסודות של מדעי הנתונים, ומדענים מחשבים צריכים להעריך את קצבאות ההקשרים של בתי ספר שדה משותפים, מסדי נתונים משותפים, קוד פתוח קוד קוד פתוח גדלים, אך מימון לעבודה בין-תחומית כזו נשאר בקושי.

ארגונים כמו FLT:0 ארכיאולוגיה Data ServiceBuildFLT:1 ו-FLT:2Institute for the Study of the Ancient WorldFLT 3 הם מאמצים מובילים לתקני נתונים ולקדם שימוש ב-AI.As משאבים אלה מתרחבים, שיתוף הפעולה בין הומניסטים וטכנולוגיים ימשיך לחשוף סיפורים ארוכים מתחת לחול, אדמה וזמן.

למידת מכונה אינה מחליפה את היד הזהירה של הארכיאולוגיה או את האינטואיציה של ההיסטוריון.במקום, היא מציעה עדשה עוצמתית שדרכו ניתן לראות את העבר בבהירות רבה יותר – כזו שיכולה למצוא דפוסים ברעש עצום ונשמטמת חיים לאובייקטים שבורים ושקטים.הציוויליזציה שבנינו פירמידות, בטבלי חירשים מקודשים, וראשי אבן מגולפים מדברים אלינו שוב, ואנחנו סוף סוף סוף לומדים להקשיב.