Kunstmatige Intelligentie Verandert Archeologie Dramatisch, Ontdekt Nieuwe Sites En Artefacten

Kunstmatige intelligentie wordt ingezet om archeologen te helpen bij het vinden van nieuwe opgravingssites en het doen van nieuwe ontdekkingen, waardoor het tempo van archeologisch onderzoek drastisch toeneemt. Zoals SingularityHub meldde, worden kunstmatige intelligentie en computer vision-algoritmen gebruikt om satellietbeeldgegevens te analyseren en het proces van het detecteren van mogelijke archeologische sites te automatiseren.

Door de toename van luchtfoto’s verzameld door satellieten, vliegtuigen en drones, kunnen archeologen gebieden op aarde controleren op mogelijke archeologische sites zonder de locatie zelf te bezoeken. Echter, het handmatig analyseren van duizenden beelden van landschappen kan een tijdrovende en saaie taak zijn. Kunstmatige intelligentie-algoritmen kunnen dit proces automatiseren, waardoor het veel sneller en efficiënter wordt.

Volgens een verklaring aan SingularityHub door PhD-kandidaat Dylan Davis van de afdeling Antropologie van de Penn State University, is de discipline van de archeologie de afgelopen jaren dramatisch toegenomen in het gebruik van AI. Het gebruik van AI door archeologen heeft geleid tot enkele spannende nieuwe vondsten in recente jaren. Dit omvat de ontdekking van historische nederzettingen in Madagaskar en aarden heuvels die zijn gemaakt door prehistorische Noord-Amerikaanse bevolkingsgroepen. Davis zelf ontwikkelde de voorspellende algoritmen die in staat waren om deze sites te lokaliseren.

AI-systemen gebruiken verschillende technieken om structuren en objecten te onderscheiden die mogelijk interessant zijn voor archeologen. Het AI-algoritme dat door Davis is ontwikkeld, maakte gebruik van LiDAR, waarmee lichtpulsen worden gegenereerd die door de AI worden geïnterpreteerd om kaarten van geografische regio’s te maken. De LiDAR-pulsen maakten kaarten van de bosbodem met informatie over de textuur, grootte, vorm en helling van de bodem. De AI werd getraind op deze gegevens om het in staat te stellen om potentiële sites van interesse te herkennen. Volgens Davis bespaarde de automatisering hem en zijn collega’s meerdere jaren werk. Zoals Davis uitlegde, kon het AI-model helpen bij het vinden van archeologische sites in Madagaskar. In de loop van een jaar kon de AI meer dan 70 bevestigde sites identificeren in een gebied van meer dan 1000 vierkante kilometer.

Archeologen zoeken constant naar nieuwe manieren om de snelheid te verhogen waarmee archeologische sites worden geïdentificeerd. Veel potentiële archeologische vondsten worden bedreigd met vernietiging door zeespiegelstijging en andere gevolgen van klimaatverandering, ontbossing, bouw of andere menselijke activiteiten. De traditionele methoden die archeologen gebruiken om potentiële sites te vinden, kunnen maanden of jaren duren. Dit is een van de belangrijkste redenen waarom machine learning nuttig is voor archeologisch onderzoek, volgens Davis.

De AI-modellen die zijn ontwikkeld om archeologisch onderzoek te verbeteren, hebben toepassingen die verder gaan dan het leren over de cultuur en geschiedenis van oude beschavingen. Het bestuderen van de technieken die door historische beschavingen werden gebruikt, kan moderne regeringen helpen omgaan met langdurige uitdagingen zoals waterbeheer. Zo gebruikten onderzoekers van het Institut Català d’Arqueologia Clàssica (ICAC) een AI-model om de kenmerken van duizenden kilometers paleo-rivieren in het moderne India en Pakistan te reconstrueren. De dataset die het model mogelijk maakte, kan regeringen helpen om slimme manieren te vinden om waterbronnen te gebruiken.

Naast de eerder genoemde toepassingen kan AI het onderzoek van archeologen op verschillende manieren verbeteren. AI-technieken worden gebruikt om onderzoekers te helpen bij het bepalen van de chemische structuur van keramiek, aardewerk en andere artefacten. Door de chemische componenten van een artefact te analyseren, kunnen onderzoekers betere ideeën krijgen over de herkomst van de materialen die zijn gebruikt om de artefacten te maken. Taalkundige antropologen hebben onlangs machine learning-technieken gebruikt om te modelleren hoe verschillende talen kunnen zijn ontstaan in verschillende delen van de wereld, en vorig jaar werden inscripties op beschadigde Griekse artefacten gereconstrueerd met behulp van een diep neuronaal netwerk dat is ontwikkeld door Google DeepMind. Vorig jaar werden er meer dan 65 archeologische papers gepubliceerd die gebruik maakten van machine learning op een of andere manier, en dat aantal zal waarschijnlijk alleen maar blijven groeien in de toekomst.