DeepScribe AI Dapat Membantu Menerjemahkan Prasasti Kuno

Peneliti dari Institut Oriental Universitas Chicago dan Departemen Ilmu Komputer telah berkolaborasi untuk merancang AI yang dapat membantu mendekode prasasti dari peradaban kuno. Menurut Phys.org, AI ini disebut DeepScribe dan dilatih pada lebih dari 6.000 gambar yang diberi anotasi dari Arsip Persepolis, ketika model AI ini selesai, maka akan dapat menafsirkan prasasti yang belum dianalisis, sehingga memudahkan studi dokumen kuno.

Ahli yang mempelajari dokumen kuno, seperti peneliti yang mempelajari dokumen yang dibuat selama Kekaisaran Achaemenid di Persia, perlu menerjemahkan dokumen kuno dengan tangan, proses yang panjang dan rentan terhadap kesalahan. Peneliti telah menggunakan komputer untuk membantu menafsirkan dokumen kuno sejak tahun 1990-an, tetapi program komputer yang digunakan memiliki keterbatasan. Karakter cuneiform yang kompleks, serta bentuk tiga dimensi dari prasasti, membatasi seberapa berguna program komputer tersebut.

Algoritma penglihatan komputer dan arsitektur pembelajaran dalam telah membawa kemungkinan baru dalam bidang ini. Sanjay Krishnan, dari Departemen Ilmu Komputer di OI, berkolaborasi dengan profesor asosiasi Assyriology Susanne Paulus untuk meluncurkan program DeepScribe. Peneliti tersebut mengawasi platform manajemen basis data yang disebut OCHRE, yang mengorganisir data dari ekskavasi arkeologi. Tujuan adalah menciptakan alat AI yang luas dan fleksibel, yang dapat menafsirkan skrip dari berbagai wilayah geografis dan periode waktu.

Seperti yang dilaporkan Phys.org, Krishnan menjelaskan bahwa tantangan pengenalan skrip, yang dihadapi peneliti arkeologi, pada dasarnya sama dengan tantangan yang dihadapi peneliti penglihatan komputer:

“Dari perspektif penglihatan komputer, ini sangat menarik karena tantangan ini sama dengan yang kita hadapi. Penglihatan komputer selama lima tahun terakhir telah meningkat secara signifikan; sepuluh tahun yang lalu, ini akan menjadi spekulatif, kita tidak akan mencapai ini. Ini adalah masalah pembelajaran mesin yang baik, karena akurasi adalah objektif di sini, kita memiliki set pelatihan yang diberi label dan kita memahami skrip cukup baik dan itu membantu kita. Ini bukanlah masalah yang sama sekali tidak diketahui.”

Set pelatihan yang dimaksud adalah hasil dari mengambil prasasti dan terjemahan, dari lebih dari 80 tahun penelitian arkeologi yang dilakukan di OI dan U Chicago, dan membuat gambar yang diberi anotasi dengan resolusi tinggi dari mereka. Saat ini, data pelatihan tersebut berukuran sekitar 60 terabyte. Peneliti dapat menggunakan dataset tersebut dan membuat kamus dari lebih dari 100.000 tanda yang diidentifikasi secara individual yang dapat dipelajari oleh model. Ketika model yang dilatih diuji pada set gambar yang tidak terlihat, model tersebut mencapai akurasi sekitar 80%.

Sementara tim peneliti berusaha meningkatkan akurasi model, bahkan akurasi 80% dapat membantu dalam proses transkripsi. Menurut Paulus, model tersebut dapat digunakan untuk mengidentifikasi atau menerjemahkan bagian yang sangat berulang dari dokumen, sehingga ahli dapat menghabiskan waktu mereka untuk menafsirkan bagian yang lebih sulit dari dokumen. Bahkan jika model tidak dapat menentukan dengan pasti apa yang diterjemahkan oleh suatu simbol, model tersebut dapat memberikan kemungkinan, yang sudah membuat mereka lebih maju.

Tim juga berusaha membuat DeepScribe menjadi alat yang dapat digunakan oleh arkeolog lain dalam proyek mereka. Misalnya, model tersebut dapat dilatih ulang pada bahasa cuneiform lain, atau model tersebut dapat membuat perkiraan yang berinformasi tentang teks pada prasasti yang rusak atau tidak lengkap. Model yang cukup kuat dapat bahkan memperkirakan usia dan asal prasasti atau artefak lain, sesuatu yang biasanya dilakukan dengan pengujian kimia.

Proyek DeepScribe didanai oleh Pusat Pengembangan Komputasi Lanjutan (CDAC). Penglihatan komputer telah digunakan dalam proyek lain yang didanai CDAC, seperti proyek yang bertujuan mengenali gaya dalam karya seni dan proyek yang dirancang untuk mengukur keanekaragaman hayati dalam bivalvia laut. Tim peneliti juga berharap kolaborasi mereka akan memimpin ke kolaborasi masa depan antara Departemen Ilmu Komputer dan OI di Universitas Chicago.