Makine Öğrenmesi Geçmişin Görüşünü Nasıl Yeniden Şekilliyor

Makine öğrenimi, yapay zekanın alt kümesi, tarihçiler ve arkeologlar için giderek daha önemli bir araç haline geldi.İnsan kapasitesinin çok ötesinde, bu algoritmaların kayıp kültürleri yeniden inşa etmelerine yardımcı olur, hasarlı eserlerde boşlukları doldurup, hatta yüzyıllarca geri dönülemeyen senaryolar. Sonuç, uzun süredir tartışılan varsayımların daha doğru, veri odaklı bir resmidir ve yeni bir soruşturma açmalarına yardımcı olur.

Geleneksel arkeoloji dikkatli bir kazı, fiziksel eserler ve yazılı kayıtlarına dayanıyor - hepsi eksik, bozulabilir veya bazı sosyal sınıflara veya bölgelere önyargılı olabilir. Makine öğrenme modelleri, daha önce pratik olmayan soruları sormak için eğitilmiş, daha sonra tamamen yeniden inşa edilebilir.

Arkeolojide Öğrenme için Veri Kaynağı

Herhangi bir makine öğrenimi uygulamasının başarısı, arkeolojide verilerin kalitesi ve miktarına bağlıdır. Veri, her biri kendi zorluk ve fırsatları ile ilgilidir.

Fiziksel Artifact Databases

Dünyadaki Müzeler ve üniversiteler milyonlarca esere sahipti - seramik stilleri ve yazıtlara göre ayrıştırılabilir. Bu görüntüler, ilişkili metadata (konuş, tarih, malzeme, stil), sınıflama algoritmaları için eğitim setleri oluşturur. Örneğin, konvolutional sinir ağları (CNNs) özellikle de yüksek doğrulukla antikalar için tasarlanmış seramik stilleri arasında ayrım yapmayı öğrenebilir, arkeologlara yardım eder.

Uydu ve Aerial Imagery

Yüksek çözünürlüklü uydu görüntüleri, LiDAR verileri ve drone fotoğrafları, bilinen arkeolojik özellikler üzerinde eğitilmiş bir kuş görünümüne sahiptir - örneğin yükseltilmiş alanlar, teraslar veya burial mounds - LiDAR'da daha önce bilinmeyen 1000'den fazla tapınak tespit etmek için çok sayıda alanı tarayabilir.Bu yaklaşım özellikle Amazon ve Güneydoğu Asya'da, antik yerleşimlerin kalın kanallarda gömülü olduğu gibi yoğun ormansız bölgelerde etkili olmuştur.

Çevre ve İklim Records

Buz çekirdeği, ağaç halkaları, göl sedisyonu ve anket örnekleri geçmiş iklimler hakkında zengin bilgiler içeriyor. Makine öğrenimi bu proxy kayıtlarını uygarlıkların yükselişi ve çöküşü ile ilişkilendirebilir, araştırmacılara yakın Doğu'da kuraklık, selsiyonlar veya göçler üzerindeki önemli kültürel geçişleri anlamalarına yardımcı olur. [Dönetici:0) Araştırma).

Textual Corpora ve Inscriptions

Eski metinler, kil tabletler, papyrus veya taş, eşsiz bir meydan okuma sunmak, çünkü birçok parça parçalanmış, soğumuş veya yazılmış olmayan senaryolar. Makine öğrenme modelleri, özellikle de doğal dil işleme (NLP), işaretlerin dağıtımını analiz edebilir, olası okumalar önerebilir ve hatta plausible çeviriler üretebilir. [Ücretsizce)[Dönemli Senaryolar Vadisi senaryosu[Döneticiler)[Döneticileri)[Döneticileri)[Döneticileri)[Döneticileri)[Döneticileri)[Döneticileri)[değiştirmeler.

Antik DNA ve Organik Kalanlar

Yeni bir veri kaynağı, kemikten, dişlerden ve sedisyonlardan çıkarılan eski DNA'dır. Makine öğrenimi daha önce tahmin edilenden çok daha genetik sıraları analiz edebilir () Örneğin, 2022 yılında yapılan bir çalışma, Avrupa'daki Neolitik mezarlarda gömülü kişilerin soydaşlıklarını tanımlamak için kullanılan rastgele orman sınıflandırıcıları kullanır.

Anahtar Algoritmalar ve Teknikler

"makine öğrenme" terimi birçok yaklaşımı kapsarken, arkeolojideki yeniden yapılandırma görevleri için birkaç özel teknik özellikle değerlidir.

Convolutional Neural Networks (CNNs)

CNNs, resim tanımasında ve insan uzmanlarını tanıdıklarından daha yüksek bir doğrulukla sınıflandırmak için kullanılıyordu ([Dön:0) Bu duvarlarda antik grafiti tespit etti. Güney Kaliforniya Üniversitesi'ndeki araştırmacılar, Maya 7-8'in binlerce görüntüsü üzerinde bir CNN eğittiler, insan uzmanlarının eşleme kısmi rogliflerden daha yüksek doğruluk elde ettiler ([Dönem:0).

Generative Adversarial Networks (GANs)

GANs iki yarıştan oluşur: biri yeni veriler üretir ve diğer yargıçlar onun gerçekliğini geri alabilir. Arkeolojide, GANs, Pompeii'den gelen eserlerden zarar görmüş bölgeleri yeniden inşa edebilir - tam olarak Roma yazıtlarında eğitilmiş bir GAN, eksik mektupları olağanüstü bir sadakatle tahmin edebilir, tarihçilerin tüm özverileri veya yasal belgeleri geri yüklemesine izin verebilir.

Mevcut Neural Networks (RNNs) ve Transformers

Dil, RNNs ve dönüştürücü modeller (GPT'nin arkasındaki mimarlık) bir başka işareti takip etme olasılığını modellemek için kullanılmıştır. Bu, Minoan Yunan'ın erken bir biçimini temsil edebilir () MIT'deki son bir proje, Linear A script'de desenleri tanımlamak için de yardımcı olur, ki bu da Minoan Yunan'ın erken bir formunu temsil edebilir.

Kombinasyon ve Boyut Azaltımı

K-means kümeleme veya t-SNE gibi denetimsiz öğrenme yöntemleri, önceden etiket olmadan benzer eserler gruplayabilir. Bu, arkeologların daha önce hiç dememiş stilist gruplar veya ticaret bağlantıları tespit etmelerine yardımcı olur. Örneğin, Akdeniz'deki obsidian araçların kümeleme analizi, bazı volkanik cam kaynaklarının düşünceden çok daha uzun mesafeler üzerinde ticaret yaptığını ortaya koydu.

Excavation Planlaması için Öğrenme

Gelişen bir uygulama, kazı stratejilerini optimize etmeyi öğrenmeyi kullanır. Farklı ağ hücrelerindeki eserleri bulma maliyetini ve olasılığını basit bir şekilde kullanarak, bir RL ajanı en verimli digging planını önerebilir.TheDANFLT:0)RoboArch projesi Cambridge)

Vaka Çalışmaları: Eylemde Makine Öğrenmesi

Indus Valley senaryo örneğinin ötesinde, diğer birkaç proje bu tekniklerin gücünü göstermektedir.

Eski Amazon'u yeniden inşa etmek

On yıllar boyunca, akademisyenler Amazon yağmur ormanlarının Avrupa temasından önce yoğun nüfuslu olduğuna inanıyordu, ancak küçük, nomadik gruplarla birlikte, LiDAR verilerin makine öğrenmesi, daha önce bilinmeyen köy ve göksel plazalar () altında saklı bulundu.[Dönetici[Dönetici).[Dönetici] Bu, Amazon'un 5.000 kilometreden fazla görüntüleyicisini taramak için bir CNN kullandı.

Herculaneum'dan Karbonized Scrolls Okumak

Antik Roma kasabasında, bu tür keşifleri analiz ederek, 79. Vesuvius tarafından gömülmüş, yüzlerce papyrus kaydırması kırılgan, açıklanamaz bloklar haline getirildi. Makine öğrenimi, CT taramaları ile neredeyse "kahraman" olarak kullanılmıştır. [Dönetici:0Vesuvius ChallengeVesuvius Challenge Bu atılımı AI kullanarak metin okumak için bir ödül teklif etti ve 2023 yılında, bir takım, bir scorched rollable Yunan mektuplarını geri almak için başarılı oldu.

Mapping Maya Urban Layouts

Maya düşük bölgelerinden LiDAR verileri üzerinde eğitilmiş makine öğrenme modelleri, Maya siyasi organizasyonumuzu yeniden şekillendirdi, bu yerleşimler arasında görünmez olan 2024 çalışma, Tikal ve Calakmul gibi büyük şehirlere ait olduğunu ortaya koydu ([Dönemli bir şehir devleti, Maya siyasi organizasyonu hakkında yeniden şekillendirmek yerine).

Bronz Çağı Ege'yi Tehdit Ediyor

Linear B, Mycenaean Yunanca'nın senaryosu, 1950'lerde insan şifreli onarımlar yoluyla kabul edildi. Ancak, makine öğrenimi, Pisalos ve Knossos'tan kırık tabletlerin% 80'ini yeniden inşa etmek için kullanılmıştır. Oxford Üniversitesi'nde bir Bayesian modeli, sonsuza dek kaybettiğini düşündü.

Meydanlar ve Sınırlar

Sözcülüğe rağmen, arkeolojide makine öğrenimi dikkatli bir dikkat gerektiren ciddi engellerle karşı karşıyadır.

Data Quality and Bias

Çoğu arkeolojik veriler Avrupa'daki iyi finanse edilen kazılardan ve Yakın Doğu'da bir önyargı yaratıyor, eğitim setlerinde bir önyargı yaratıyor.Alötmeny'de eğitilmiş algoritmalar, Andeanun gemileri üzerinde kötü performans gösterebilir. Benzer şekilde, bir eğitim seti yalnızca seçkin otobüsler içeriyorsa, model, Afrika'daki alt bölgelerden daha fazla temsilcilik hizmeti ve test modellerini aktif olarak aramalıdır.

Black Box Problemi

Birçok derin öğrenme modeli “kara kutular” olarak çalışır - doğru sonuçlar üretirler, ancak arkeoloji için yorumlanabilirlik kritiktir.Eğer bir model muhtemelen bir yer olarak zeminin bir parçası olarak tanımlanırsa, arkeologlar kullandığı özellikleri anlamalılar (soil discolorasyonlar?) tahmin etmeye başlarlar.Açıkça AI (XAI) yöntemleri bunu ele almak için geliştirilir, ancak henüz standart değildir.

Fragmented ve Noisy Data

Gerçek dünya arkeolojik verileri genellikle eksik, havalandırılan veya modern pisliğe karıştırılmış. Temiz giriş bekleyen makine öğrenmesi modelleri bu koşullarla karşı karşıya kalabilir. Data augment Technique - yapay olarak eğitim görüntülerine çatlaklar veya discolorasyonlar eklemek gibi - modeller daha sağlam hale gelir, ancak tamamen eksik bilgi için telafi edemezler. Transfer, genel görüntü verileri üzerinde önceden eğitilmiş bir model bu koşullardan önce incelenir.

Etik ve Mülkiyet

Makine öğrenimi tarafından üretilen dijital yeniden yapılandırmalara kim sahiptir? Bir algoritma eski bir metinden bir makula çeviri üretirse, yeni telif hakları mı yaratıyor? Daha ciddi olarak, makine öğrenimi, gerçeklemeleri sağlamak için ikna edilebilir olarak kullanılabilir - sahte yazıtlar veya eserler - bu, bilim insanları tarafından aldatılabilir; kanıtlanmış ve doğrulama için gerekli standartların oluşturulması gerekir.

Future: 3D ve VR ile entegrasyon

Bir sonraki sınır, eski ortamların etkileşimli yeniden inşaları oluşturmak için makine öğrenimi ile bir araya geliyor. Zaten UCLA'daki araştırmacılar GAN'ları fotoğraf gerçekleştirilmiş 3D modellerini bir avuç referans fotoğraftan üretmişler. Sanal gerçeklik kafalarıyla çiftleştiğinde, bu modeller kullanıcıların 3.000 yıl önce ortaya çıkacak olduğu gibi dijital olarak restore edilmiş bir tapınakla yürümelerine izin veriyor.

Bu tür yeniden yapılanmalar sadece eğitim araçları değildir; örneğin müzenin dioramas ile daha önce erişilebilir olan 3D modelleme vaatleriyle makine öğreniminin gerçekleştirilmesini test edebilirler.In 2024, [[Dolome.0Heritage3D konsorsiyumu)[MTRT:0D)[D, paylaşılan 3D modellerin dünya çapındaki sitelerden elde edilenleştirilmesi, metada güvenilir düzeylerden ve eğitim verileriyle tamamlanabilir.

İşbirliği Anahtar mı

Eski uygarlıkları yeniden inşa etme konusunda makine öğreniminin tam potansiyelini anlamak için, disiplinler arasındaki silolar parçalanmalıdır. Arkaeologlar veri bilimin temellerini anlamalılar ve bilgisayar bilimlerinin kazı bağlamlarının nüanslarını takdir etmeleri gerekir. Ortak alan okulları, paylaşılan veritabanılar ve açık kaynak kod havuzları büyüyor, ancak bu tür disiplinler için fonlar yetersiz kalmaktadır.

Eski Dünya Çalışması için Organizasyonlar: 0)Archaeoloji Data Service) ve bu kaynaklar genişleyen, insan bilim adamları ve teknoloji uzmanları arasındaki işbirliği, kum, toprak altında gömülü hikayeleri ortaya çıkarmaya devam edecektir.

Makine öğrenimi arkeologun veya tarihçinin sezgisini değiştirmiyor. Bunun yerine, geçmişte daha net bir şekilde görmek için güçlü bir lens sunuyor - muazzam gürültüde desenleri bulabilir ve yaşamı kırık, sessiz nesnelere nefes alabilir.