DeepScribe AI puede ayudar a traducir tabletas antiguas

Investigadores del Instituto Oriental de la Universidad de Chicago y el Departamento de Ciencias de la Computación han colaborado para diseñar una IA que pueda ayudar a descifrar tabletas de civilizaciones antiguas. Según Phys.org, la IA se llama DeepScribe y se entrenó con más de 6.000 imágenes anotadas del Archivo de Fortificación de Persépolis, y cuando esté completa, el modelo de IA podrá interpretar tabletas no analizadas, lo que facilitará el estudio de documentos antiguos.

Los expertos que estudian documentos antiguos, como los investigadores que estudian los documentos creados durante el Imperio Aqueménida en Persia, necesitan traducir documentos antiguos a mano, un proceso largo y propenso a errores. Los investigadores han estado utilizando computadoras para ayudar a interpretar documentos antiguos desde la década de 1990, pero los programas de computadora que se utilizaron tenían una ayuda limitada. Los caracteres cuneiformes complejos, así como la forma tridimensional de las tabletas, limitaron la utilidad de los programas de computadora.

Los algoritmos de visión por computadora y las arquitecturas de aprendizaje profundo han traído nuevas posibilidades a este campo. Sanjay Krishnan, del Departamento de Ciencias de la Computación en OI, colaboró con la profesora asociada de Asiriología Susanne Paulus para lanzar el programa DeepScribe. Los investigadores supervisaron una plataforma de gestión de bases de datos llamada OCHRE, que organizó datos de excavaciones arqueológicas. El objetivo es crear una herramienta de IA que sea extensa y flexible, capaz de interpretar escrituras de diferentes regiones geográficas y períodos de tiempo.

Como informó Phys.org, Krishnan explicó que los desafíos de reconocer la escritura, que los investigadores arqueológicos enfrentan, son esencialmente los mismos desafíos que enfrentan los investigadores de visión por computadora:

“Desde la perspectiva de la visión por computadora, es realmente interesante porque estos son los mismos desafíos que enfrentamos. La visión por computadora ha mejorado significativamente en los últimos cinco años; hace diez años, esto habría sido un ejercicio de adivinanza, no habríamos llegado tan lejos. Es un buen problema de aprendizaje automático, porque la precisión es objetiva aquí, tenemos un conjunto de entrenamiento etiquetado y entendemos la escritura bastante bien, y eso nos ayuda. No es un problema completamente desconocido”.

El conjunto de entrenamiento en cuestión es el resultado de tomar las tabletas y traducciones, de más de 80 años de investigación arqueológica realizada en OI y U Chicago, y hacer imágenes anotadas de alta resolución a partir de ellas. Actualmente, los datos de entrenamiento tienen un tamaño de aproximadamente 60 terabytes. Los investigadores fueron capaces de utilizar el conjunto de datos y crear un diccionario de más de 100.000 signos individuales identificados que el modelo podría aprender. Cuando se probó el modelo entrenado en un conjunto de imágenes no visto, el modelo logró una precisión de aproximadamente el 80%.

Aunque el equipo de investigadores está tratando de aumentar la precisión del modelo, incluso una precisión del 80% puede ayudar en el proceso de transcripción. Según Paulus, el modelo podría usarse para identificar o traducir partes altamente repetitivas de los documentos, lo que permitiría a los expertos dedicar su tiempo a interpretar las partes más difíciles del documento. Incluso si el modelo no puede decir con certeza a qué se traduce un símbolo, puede dar a los investigadores probabilidades, lo que ya los pone por delante.

El equipo también tiene como objetivo hacer que DeepScribe sea una herramienta que otros arqueólogos puedan utilizar en sus proyectos. Por ejemplo, el modelo podría reentrenarse con otros lenguajes cuneiformes, o el modelo podría hacer estimaciones informadas sobre el texto en tabletas dañadas o incompletas. Un modelo lo suficientemente robusto podría incluso estimar la edad y el origen de las tabletas u otros artefactos, algo que normalmente se hace con pruebas químicas.

El proyecto DeepScribe está financiado por el Centro para el Desarrollo de la Informática Avanzada (CDAC). La visión por computadora se ha utilizado en otros proyectos financiados por CDAC, como un proyecto destinado a reconocer el estilo en obras de arte y un proyecto diseñado para cuantificar la biodiversidad en bivalvos marinos. El equipo de investigadores también espera que su colaboración conduzca a futuras colaboraciones entre el Departamento de Ciencias de la Computación y OI en la Universidad de Chicago.