DeepScribe-KI kann helfen, antike Tafeln zu übersetzen

Forscher der Orientalischen Institute und des Fachbereichs Informatik der Universität Chicago haben zusammengearbeitet, um eine KI zu entwickeln, die dabei helfen kann, Tafeln aus antiken Zivilisationen zu entschlüsseln. Laut Phys.org heißt die KI DeepScribe und wurde mit über 6.000 annotierten Bildern aus dem Persepolis-Fortifications-Archiv trainiert. Wenn das KI-Modell vollständig ist, wird es in der Lage sein, unanalysierte Tafeln zu interpretieren und das Studium antiker Dokumente zu erleichtern.

Experten, die antike Dokumente studieren, wie die Forscher, die die während des Achämenidenreichs in Persien erstellten Dokumente studieren, müssen antike Dokumente von Hand übersetzen, ein langwieriger Prozess, der anfällig für Fehler ist. Forscher haben seit den 1990er Jahren Computer verwendet, um bei der Interpretation antiker Dokumente zu helfen, aber die Computerprogramme, die verwendet wurden, waren nur begrenzt hilfreich. Die komplexen Keilschriftzeichen sowie die dreidimensionale Form der Tafeln begrenzten die Nützlichkeit der Computerprogramme.

Algorithmen für Computer-Vision und Deep-Learning-Architekturen haben neue Möglichkeiten in diesem Bereich gebracht. Sanjay Krishnan vom Fachbereich Informatik der OI arbeitete mit der Associate Professorin für Assyriologie Susanne Paulus zusammen, um das DeepScribe-Programm zu starten. Die Forscher überwachten eine Datenbank-Management-Plattform namens OCHRE, die Daten aus archäologischen Ausgrabungen organisierte. Das Ziel ist es, ein KI-Tool zu erstellen, das sowohl umfassend als auch flexibel ist und in der Lage ist, Schriften aus verschiedenen geografischen Regionen und Zeiträumen zu interpretieren.

Wie Phys.org berichtet, erklärte Krishnan, dass die Herausforderungen bei der Erkennung von Schriften, mit denen archäologische Forscher konfrontiert sind, im Wesentlichen dieselben Herausforderungen sind, mit denen sich Computer-Vision-Forscher konfrontiert sehen:

“Aus der Sicht der Computer-Vision ist es wirklich interessant, weil diese Herausforderungen dieselben sind, mit denen wir konfrontiert sind. Die Computer-Vision hat sich in den letzten fünf Jahren enorm verbessert; vor zehn Jahren wäre dies nicht möglich gewesen. Es ist ein gutes Machine-Learning-Problem, weil die Genauigkeit hier objektiv ist, wir haben ein beschriftetes Trainingsset und wir verstehen die Schrift ziemlich gut, und das hilft uns. Es ist kein völlig unbekanntes Problem.”

Das Trainingsset ist das Ergebnis der Aufnahme der Tafeln und Übersetzungen aus über 80 Jahren archäologischer Forschung am OI und der Universität Chicago und der Erstellung hochauflösender annotierter Bilder daraus. Derzeit umfasst das Trainingsdatenset etwa 60 Terabyte. Die Forscher konnten mit dem Datensatz ein Wörterbuch mit über 100.000 individuell identifizierten Zeichen erstellen, das das Modell lernen konnte. Als das trainierte Modell auf einem nicht gesehenen Bildset getestet wurde, erreichte das Modell eine Genauigkeit von etwa 80 %.

Während das Team der Forscher versucht, die Genauigkeit des Modells zu erhöhen, kann bereits eine Genauigkeit von 80 % dem Transkriptionsprozess helfen. Laut Paulus kann das Modell verwendet werden, um hoch repetitive Teile der Dokumente zu identifizieren oder zu übersetzen, sodass Experten ihre Zeit auf die schwierigeren Teile des Dokuments konzentrieren können. Selbst wenn das Modell nicht mit Sicherheit sagen kann, was ein Symbol übersetzt, kann es Forschern Wahrscheinlichkeiten geben, was sie bereits im Vorteil sein lässt.

Das Team zielt darauf ab, DeepScribe zu einem Werkzeug zu machen, das andere Archäologen in ihren Projekten verwenden können. Zum Beispiel könnte das Modell auf andere Keilschriftsprachen trainiert werden oder informierte Schätzungen über den Text auf beschädigten oder unvollständigen Tafeln liefern. Ein ausreichend robustes Modell könnte sogar die Schätzung des Alters und der Herkunft von Tafeln oder anderen Artefakten liefern, was normalerweise mit chemischen Tests durchgeführt wird.

Das DeepScribe-Projekt wird vom Centre for the Development of Advanced Computing (CDAC) finanziert. Computer-Vision wurde auch in anderen CDAC-finanzierten Projekten eingesetzt, wie einem Projekt, das darauf abzielt, Stile in Kunstwerken zu erkennen, und einem Projekt, das darauf abzielt, die Artenvielfalt in marinen Bivalven zu quantifizieren. Das Team der Forscher hofft, dass ihre Zusammenarbeit zu zukünftigen Zusammenarbeiten zwischen dem Fachbereich Informatik und dem OI an der Universität Chicago führen wird.