Modely a platformy AI

Neuronová síť usnadňuje identifikaci různých bodů v historii

mm
Přidejte Unite.AI mezi své preferované zdroje na Google

Jedna oblast, která není příliš pokryta z hlediska potenciálu umělé inteligence (AI), je její použití v historii, antropologii, archeologii a podobných oborech. To je demonstrováno novým výzkumem, který ukazuje, jak strojové učení může sloužit jako nástroj pro archeology k rozlišení dvou hlavních období: středního kamenného věku (MSA) a pozdního kamenného věku (LSA).

Toto rozlišení se může zdát jako něco, co akademici a archeologové již mají zavedeno, ale tomu tak není. Ve mnoha případech není snadné rozlišit mezi nimi.

MSA a LSA

Před zhruba 300 tisíci lety se objevily první nástroje MSA během stejného období jako nejstarší fosilie Homo sapiens. Tyto stejné nástroje byly používány až do zhruba 30 tisíc let před naším letopočtem. Zásadní změna chování nastala kolem 67 tisíc let před naším letopočtem, kdy došlo ke změnám ve výrobě kamenných nástrojů, a výsledné nástroje byly LSA.

Nástroje LSA byly stále používány v nedávné minulosti, a nyní je zřejmé, že přechod z MSA na LSA nebyl lineárním procesem. Změny nastaly v různých časech a na různých místech, a proto jsou výzkumníci tak zaměřeni na tento proces, který může pomoci vysvětlit kulturní inovace a kreativitu.

Základním předpokladem tohoto porozumění je rozlišení mezi MSA a LSA.

Dr. Jimbob Blinkhorn je archeolog ze skupiny Pan African Evolution Research Group, Max Planck Institute for the Science of Human History a Centre for Quaternary Research, Department of Geography, Royal Holloway.

„Východní Afrika je klíčovým regionem pro zkoumání této významné kulturní změny, nejen proto, že je domovem některých z nejmladších míst MSA a některých z nejstarších míst LSA, ale také proto, že velké množství dobře vykopaných a datovaných míst činí ideální pro výzkum pomocí kvantitativních metod,“ říká Dr. Blinkhorn. „To nám umožnilo shromáždit podstatnou databázi měnících se vzorců ve výrobě a používání kamenných nástrojů, sahající od 130 do 12 tisíc let před naším letopočtem, aby jsme mohli prozkoumat přechod z MSA na LSA.“

Umělé neuronové sítě (ANN)

Studie je založena na 16 alternativních typech nástrojů napříč 92 soubory kamenných nástrojů, se zaměřením na jejich přítomnost nebo absenci. Studie zdůrazňuje konstelace forem nástrojů, které často nastávají společně, spíše než jednotlivé nástroje.

Dr. Matt Grove je archeolog na University of Liverpool.

„Použili jsme přístup umělé neuronové sítě (ANN) k výcviku a testování modelů, které rozlišují soubory LSA od souborů MSA, a také zkoumáme chronologický rozdíl mezi staršími (130-71 tisíc let před naším letopočtem) a mladšími (71-28 tisíc let před naším letopočtem) soubory MSA s úspěšností 94%,” říká Dr. Grove.

Umělé neuronové sítě (ANN) napodobují určité funkce zpracování informací lidského mozku, a jejich zpracování je silně závislé na akci mnoha jednoduchých jednotek, které spolupracují.

„ANN jsou někdy popisovány jako ‘černá skříňka’ přístup, protože i když jsou velmi úspěšné, nemusí být vždy jasné, proč,” říká Grove. „Použili jsme simulační přístup, který otevírá tuto černou skříňku, abychom pochopili, které vstupy mají významný dopad na výsledky. To nám umožnilo identifikovat, jak se liší vzorce složení souborů kamenných nástrojů mezi MSA a LSA, a doufáme, že toto ukáže, jak lze takové metody použít více v archeologickém výzkumu v budoucnu.“

“Výsledky naší studie ukazují, že soubory MSA a LSA lze rozlišit na základě konstelace typů artefaktů nalezených v souboru,” říká Blinkhorn. “Společná existence zajištěných kusů, čepele a bipolárních technologií spolu s kombinovanou absencí nástrojů pro jádro, Levalloisovy čepelové technologie, bodové technologie a škrabáků robustně identifikuje soubory LSA, zatímco opačný vzorec identifikuje soubory MSA. Značně, to poskytuje kvantifikovanou podporu kvalitativním rozdílům, které poznamenali předchozí výzkumníci, že klíčové typologické změny nastávají s touto kulturní změnou.”

Tým bude nyní používat nově vyvinutou metodu k dalšímu zkoumání kulturních změn v africkém kamenném věku.

„Přístup, který jsme použili, nabízí silný nástroj pro zkoumání kategorií, které používáme k popisu archeologického záznamu, a pro pomoc při zkoumání a vysvětlování kulturních změn mezi našimi předky,” říká Blinkhorn.

Alex McFarland je AI novinář a spisovatel, který zkoumá nejnovější vývoj v oblasti umělé inteligence. Spolupracoval s mnoha AI startupy a publikacemi po celém světě.