DeepScribe AI يمكن أن تساعد في ترجمة اللوحات القديمة

تعاون الباحثون من معهد الشرق الأوسط بجامعة شيكاغو و قسم علوم الحاسوب لتصميم الذكاء الاصطناعي الذي يمكن أن يساعد في فك شفرة اللوحات من الحضارات القديمة. وفقًا ل Phys.org ، يُسمى الذكاء الاصطناعي DeepScribe وتم تدريبه على أكثر من 6000 صورة مخطوطة من أرشيف حصن برسيبوليس، وعند اكتمال نموذج الذكاء الاصطناعي، سيكون قادرًا على تفسير اللوحات غير المُحَلَّلة، مما يجعل دراسة الوثائق القديمة أسهل.

يحتاج الخبراء الذين يدرسون الوثائق القديمة، مثل الباحثين الذين يدرسون الوثائق التي تم إنشاؤها خلال الإمبراطورية الأخمينية في فارس، إلى ترجمة الوثائق القديمة يدوياً، وهو عملية طويلة معرضة للأخطاء. لقد كان الباحثون يستخدمون أجهزة الكمبيوتر لمساعدتهم في تفسير الوثائق القديمة منذ التسعينيات، ولكن البرامج التي تم استخدامها كانت محدودة الفائدة. وضع الحروف المسمارية المعقدة، بالإضافة إلى الشكل ثلاثي الأبعاد لللوحات، وضع حدًا لمدى فائدة البرامج التي يمكن أن تكون لها.

أحضرت خوارزميات الرؤية الحاسوبية وعمارة التعلم العميق إمكانيات جديدة إلى هذا المجال. تعاون سانجاي كريشنان من قسم علوم الحاسوب في OI مع أستاذة مساعدة في علم الآشوريات سوزان بولوس لإطلاق برنامج DeepScribe. أشرف الباحثون على منصة إدارة قواعد البيانات تسمى OCHRE، التي نظمت البيانات من الحفريات الأثرية. الهدف هو إنشاء أداة ذكاء اصطناعي شاملة ومطولة، قادرة على تفسير النصوص من مناطق جغرافية وفترات زمنية مختلفة.

كما ذكرت Phys.org ، أوضح كريشنان أن تحديات التعرف على النص، التي يواجهها الباحثون الأثريون، هي أساسًا نفس التحديات التي يواجهها باحثو الرؤية الحاسوبية:

“من منظور الرؤية الحاسوبية، فإنها مثيرة للاهتمام حقًا لأن هذه هي نفس التحديات التي نواجهها. لقد تحسنت الرؤية الحاسوبية بشكل كبير خلال السنوات الخمس الماضية؛ قبل عشر سنوات، كانت هذه مشكلة غير واضحة، لم نكن لنصل إلى هنا. إنه مشكلة جيدة للتعلم الآلي، لأن الدقة موضوعية هنا، لدينا مجموعة تدريب مخطوطة ولدينا فهم جيد للنص وهذا يساعدنا. ليس هذا مشكلة غير معروفة تمامًا “.

مجموعة التدريب المذكورة هي نتيجة إخراج اللوحات والترجمات، من أكثر من 80 عامًا من البحث الأثري الذي تم إجراؤه في OI و U Chicago وإنشاء صور مخطوطة عالية الدقة منها. حاليًا، تبلغ مجموعة البيانات التدريبية حوالي 60 تيرابايت في الحجم. تمكن الباحثون من استخدام مجموعة البيانات وإنشاء قاموس يحتوي على أكثر من 100000 علامة فردية تم تعريفها يمكن للنموذج أن يتعلم منها. عندما تم اختبار النموذج المدرب على مجموعة صور غير مرئية، حقق النموذج دقة تقريبًا 80٪.

في حين أن فريق الباحثين يحاول زيادة دقة النموذج، فإن دقة 80٪ يمكن أن تساعد في عملية النقل. وفقًا لبولوس، يمكن استخدام النموذج لتحديد أو ترجمة الأجزاء المتكررة للغاية من الوثائق، مما يسمح للخبراء بإنفاق وقتهم في تفسير الأجزاء الأكثر صعوبة من الوثيقة. حتى لو لم يكن النموذج قادرًا على القول بثقة ما يعني رمزًا معينًا، يمكنه إعطاء الباحثين الاحتمالات، وهو ما يجعلهم في المقدمة بالفعل.

يهدف الفريق أيضًا إلى جعل DeepScribe أداة يمكن أن يستخدمها علماء الآثار الآخرون في مشاريعهم. على سبيل المثال، يمكن إعادة تدريب النموذج على لغات مسمارية أخرى، أو يمكن للنموذج تقديم تقديرات مدروسة حول النص على اللوحات التالفة أو غير الكاملة. يمكن لنموذج قوي بما فيه الكفاية تقدير العمر والأصل من اللوحات أو الآثار الأخرى، وهو ما يتم عادةً عن طريق الاختبارات الكيميائية.

يتم تمويل مشروع DeepScribe من قبل مركز تطوير الحوسبة المتقدمة (CDAC). تم استخدام الرؤية الحاسوبية في مشاريع أخرى تم تمويلها من قبل CDAC، مثل مشروع يهدف إلى التعرف على الأسلوب في الأعمال الفنية ومشروع مصمم لقياس التنوع البيولوجي في المollusca البحرية. يأمل فريق الباحثين أيضًا أن يؤدي تعاونهم إلى تعاونات مستقبلية بين قسم علوم الحاسوب وOI في جامعة شيكاغو.