Η Τεχνητή Νοημοσύνη Μεταμορφώνει Δραματικά την Αρχαιολογία, Ανακαλύπτοντας Νέα Ιστοτόπους και Αρτεφάκτα

Η τεχνητή νοημοσύνη χρησιμοποιείται για να βοηθήσει τους αρχαιολόγους να βρουν νέους χώρους σκαφής και να κάνουν νέες ανακαλύψεις, αυξάνοντας δραματικά το ρυθμό της αρχαιολογικής έρευνας. Όπως ανέφερε το SingularityHub, η τεχνητή νοημοσύνη και οι αλγόριθμοι υπολογιστικής όρασης χρησιμοποιούνται για να αναλύσουν δεδομένα δορυφορικών εικόνων και να αυτοματοποιήσουν τη διαδικασία ανίχνευσης πιθανών αρχαιολογικών χώρων σε αυτές.

Χάρη στην ευρεία διαθεσιμότητα αεροφωτογράφων εικόνων που συλλέγονται από δορυφόρους, αεροπλάνα και drones, οι αρχαιολόγοι μπορούν να ελέγχουν περιοχές της Γης για πιθανούς αρχαιολογικούς χώρους χωρίς να επισκέπτονται την περιοχή. Ωστόσο, η χειροκίνητη ανάλυση χιλιάδων εικόνων τοπίων μπορεί να είναι μια χρονοβόρα και単調η εργασία. Οι αλγόριθμοι της τεχνητής νοημοσύνης μπορούν να αυτοματοποιήσουν αυτή τη διαδικασία, καθιστώντας την πολύ πιο γρήγορη και αποτελεσματική.

Όπως εξήγησε ο υποψήφιος διδάκτωρ στο Τμήμα Ανθρωπολογίας του Πανεπιστημίου Penn State, Dylan Davis, η αρχαιολογία έχει αυξήσει δραματικά τη χρήση της τεχνητής νοημοσύνης τα τελευταία χρόνια. Η χρήση της τεχνητής νοημοσύνης από τους αρχαιολόγους έχει οδηγήσει σε κάποιες ενθουσιαστικές νέες ανακαλύψεις τα τελευταία χρόνια. Αυτές περιλαμβάνουν την ανακάλυψη ιστορικών οικισμών στη Μαδαγασκάρη και λόφους από πρεϊστορικούς πληθυσμούς της Βόρειας Αμερικής. Ο Davis ανέπτυξε τους προβλεπτικούς αλγόριθμους που μπόρεσαν να εντοπίσουν αυτούς τους χώρους.

Οι συστήματα τεχνητής νοημοσύνης χρησιμοποιούν διάφορες τεχνικές για να διακρίνουν δομές και αντικείμενα που μπορεί να είναι ενδιαφέροντα για τους αρχαιολόγους. Ο αλγόριθμος της τεχνητής νοημοσύνης που σχεδίασε ο Davis χρησιμοποίησε LiDAR, δημιουργώντας παλμούς φωτός που ερμηνεύονται από την τεχνητή νοημοσύνη για να δημιουργήσουν χάρτες γεωγραφικών περιοχών. Οι παλμοί LiDAR δημιούργησαν χάρτες του δαπέδου του δάσους που περιείχαν πληροφορίες σχετικά με την υφή, το μέγεθος, το σχήμα και την κλίση του δαπέδου. Η τεχνητή νοημοσύνη εκπαιδεύτηκε σε αυτά τα δεδομένα για να της επιτρέψει να αναγνωρίσει πιθανές περιοχές ενδιαφέροντος. Σύμφωνα με τον Davis, η αυτοματοποίηση σώθηκε ο ίδιος και οι συνεργάτες του αρκετά χρόνια εργασίας. Όπως εξήγησε ο Davis, το μοντέλο της τεχνητής νοημοσύνης μπόρεσε να βοηθήσει την ερευνητική του ομάδα να βρει αρχαιολογικούς χώρους στη Μαδαγασκάρη. Κατά τη διάρκεια ενός έτους, η τεχνητή νοημοσύνη μπόρεσε να αναγνωρίσει πάνω από 70 επιβεβαιωμένους χώρους σε μια περιοχή μεγαλύτερη από 1000 τετραγωνικά χιλιόμετρα.

Οι αρχαιολόγοι ψάχνουν συνεχώς για νέους τρόπους để αυξήσουν το ρυθμό με τον οποίο αναγνωρίζονται αρχαιολογικοί χώροι. Πολλές πιθανές αρχαιολογικές ανακαλύψεις απειλούνται με καταστροφή λόγω της αύξησης της στάθμης της θάλασσας και άλλων επιπτώσεων της κλιματικής αλλαγής, της αποψίλωσης, της κατασκευής ή άλλων ανθρώπινων δραστηριοτήτων. Οι παραδοσιακές μεθόδους που χρησιμοποιούν οι αρχαιολόγοι για να βρουν πιθανές περιοχές μπορεί να διαρκέσουν μήνες ή χρόνια. Αυτός είναι ένας από τους κύριους λόγους που η μηχανική μάθηση είναι χρήσιμη για την αρχαιολογική έρευνα, σύμφωνα με τον Davis.

Τα μοντέλα της τεχνητής νοημοσύνης που αναπτύχθηκαν για να βελτιώσουν την αρχαιολογική έρευνα έχουν εφαρμογές πέρα από τη μάθηση για τον πολιτισμό και την ιστορία των αρχαίων文明. Η μελέτη των τεχνικών που χρησιμοποιούσαν οι ιστορικές文明 μπορεί να βοηθήσει τις σύγχρονες κυβερνήσεις να αντιμετωπίσουν μακροχρόνιες προκλήσεις όπως η διαχείριση των υδάτινων πόρων. Για παράδειγμα, ερευνητές από το Institut Català d’Arqueologia Clàssica (ICAC) χρησιμοποίησαν ένα μοντέλο της τεχνητής νοημοσύνης για να ανακατασκευάσουν τα χαρακτηριστικά χιλιάδων μιλίων παλαιών ποταμών στη σύγχρονη Ινδία και Πακιστάν. Το σύνολο δεδομένων που έγινε δυνατό από το μοντέλο μπορεί να βοηθήσει τις κυβερνήσεις να ανακαλύψουν έξυπνους τρόπους να χρησιμοποιούν τους υδάτινους πόρους.

Πέρα από τις προηγούμενες χρήσεις, η τεχνητή νοημοσύνη μπορεί να βελτιώσει την έρευνα των αρχαιολόγων με πολλούς διαφορετικούς τρόπους. Οι τεχνικές της τεχνητής νοημοσύνης χρησιμοποιούνται για να βοηθήσουν τους ερευνητές να καθορίσουν τη χημική δομή κεραμικών, πινάκων και άλλων αρχαιολογικών ευρημάτων. Αναλύοντας τα χημικά συστατικά ενός ευρήματος, οι ερευνητές μπορούν να λάβουν καλύτερες ιδέες για το πού προέρχονται τα υλικά που χρησιμοποιήθηκαν για να τα φτιάξουν. Οι γλωσσολόγοι ανθρωπολόγοι έχουν χρησιμοποιήσει最近 τις τεχνικές της μηχανικής μάθησης για να μοντελοποιήσουν πώς μπορεί να έχουν αναπτυχθεί διάφορες γλώσσες σε διάφορες περιοχές του κόσμου, και πέρυσι επιγραφές σε φθαρμένα ελληνικά αρχαιολογικά ευρήματα ανακατασκευάστηκαν με τη βοήθεια ενός βαθύ νευρωνικού δικτύου που αναπτύχθηκε από την Google DeepMind. Πέρυσι δημοσιεύθηκαν πάνω από 65 αρχαιολογικές εργασίες που χρησιμοποίησαν τη μηχανική μάθηση με κάποιον τρόπο, και αυτό το νούμερο θα συνεχίσει να αυξάνεται στο μέλλον.