يمكن أن يساعد DeepScribe AI في ترجمة اللوحات القديمة

قام باحثون من معهد الشرق الأوسط بجامعة شيكاغو و قسم علوم الحاسوب بتصميم الذكاء الاصطناعي الذي يمكن أن يساعد في فك شفرة اللوحات من الحضارات القديمة. وفقًا لموقع Phys.org ، يُسمى الذكاء الاصطناعي DeepScribe وتم تدريبه على أكثر من 6000 صورة تم تحديدها من أرشيف حصن برسيبوليس ، وعندما يكون النموذج كاملاً ، سيكون قادرًا على تفسير اللوحات غير المنهجية ، 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 للخطأ. لقد كان الباحثون يستخدمون الحواسيب لمساعدتهم في تفسير الوثائق القديمة منذ التسعينيات ، ولكن البرامج الحاسوبية التي تم استخدامها كانت محدودة الفائدة. وضع الحروف المسمارية المعقدة ، بالإضافة إلى الشكل ثلاثي الأبعاد للوحات ، وضع حدًا لمدى فائدة البرامج الحاسوبية.

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

كما ذكرت Phys.org ، أوضح كريشنان أن التحديات التي يواجهها باحثو الآثار في التعرف على النص ، هي 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 الخمس سنوات الماضية ؛ قبل عشر سنوات ، كانت هذه مشكلة غير واضحة ، ولم نكن لنتقدم إلى هذا الحد. إنه مشكلة جيدة للتعلم الآلي ، لأن الدقة موضوعية هنا ، لدينا مجموعة تدريبية تم تحديدها ولدينا فهم جيد للنص ، وهذا يساعدنا.”

مجموعة التدريب هي نتيجة لتحويل اللوحات والترجمات ، من أكثر من 80 عامًا من الأبحاث الأثرية التي أجريت في OI و U Chicago ، إلى صور عالية الدقة تم تحديدها. حاليًا ، تبلغ حجم بيانات التدريب حوالي 60 تيرابايت. تمكن الباحثون من استخدام مجموعة البيانات وإنشاء قاموس من أكثر من 100000 علامة تم تحديدها بشكل فردي يمكن للنموذج التعلم منها. عندما تم اختبار النموذج المدرب على مجموعة صور غير مرئية ، حقق النموذج دقة تقارب 80٪.

في حين يحاول فريق الباحثين زيادة دقة النموذج ، يمكن أن تساعد حتى دقة 80٪ في عملية النسخ. 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 يتمكن النموذج من القول بثقة ما يعني رمز معين ، يمكنه إعطاء الباحثين احتمالات ، 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 المكتملة. يمكن للنموذج القوي بما فيه الكفاية تقدير العمر والأصل للوحات أو الآثار الأخرى ، وهو ما يتم عادةً باستخدام الاختبارات الكيميائية.

مشروع DeepScribe ممول من قبل مركز تطوير الحوسبة المتقدمة (CDAC). لقد تم استخدام الرؤية الحاسوبية في مشاريع أخرى ممولة من CDAC ، مثل مشروع يهدف إلى التعرف على الأسلوب في الأعمال الفنية ومشروع مصمم لقياس التنوع البيولوجي في المحار ذو الصدفتين. يأمل فريق الباحثين أيضًا أن يؤدي تعاونهم إلى تعاونات مستقبلية بين قسم علوم الحاسوب وOI بجامعة شيكاغو.