Kunstig intelligens endrer arkeologien dramatisk, og oppdager nye steder og artefakter

Kunstig intelligens brukes til å hjelpe arkeologer med å finne nye utgravingssteder og gjøre nye oppdagelser, og dette har dramatisk økt tempoet i arkeologisk forskning. Som SingularityHub rapporterte, brukes kunstig intelligens og datavisjonsalgoritmer til å analysere satellittbildata og automatisere prosessen med å detektere mulige arkeologiske steder i disse.

Takk til den økende mengden luftbilde-data samlet inn av satellitter, fly og droner, kan arkeologer sjekke områder på jorden etter mulige arkeologiske steder uten å besøke området selv. Men å manuelt analysere tusenvis av bilder av landskap kan være en tidkrevende og kjedelig oppgave. Kunstig intelligens-algoritmer kan automatisere denne prosessen, og gjøre den mye raskere og mer effektiv.

Som forklart til SingularityHub av PhD-kandidat ved Penn State Universitys avdeling for antropologi, Dylan Davis, har disiplinen arkeologi skalert opp bruken av kunstig intelligens dramatisk de siste årene. Bruken av kunstig intelligens av arkeologer har ført til noen spennende nye funn de siste årene. Dette inkluderer oppdagelsen av historiske bosettinger på Madagascar og jordhauger skapt av prehistoriske nordamerikanske befolkninger. Davis selv utviklet de prediktive algoritmene som kunne lokalisere disse stedene.

Kunstig intelligens-systemer bruker en rekke teknikker for å skille strukturer og objekter som muligens er av interesse for arkeologer. Den kunstige intelligens-algoritmen designet av Davis brukte LiDAR, som genererer lyspulser som tolkes av kunstig intelligens for å generere kart over geografiske regioner. LiDAR-pulsene lagde kart over skogbunnen som inneholdt informasjon om tekstur, størrelse, form og helning av bunnen. Kunstig intelligens ble trent på denne dataen for å kunne gjenkjenne potensielle steder av interesse. Ifølge Davis sparede automatiseringen ham og hans kolleger flere års arbeid. Som Davis forklarte, hjalp kunstig intelligens-modellen hans forskningsteam med å finne arkeologiske steder på Madagascar. Over en periode på ett år kunne kunstig intelligens identifisere over 70 bekreftede steder over et område på over 1000 kvadratkilometer.

Arkeologer søker stadig etter nye måter å øke hastigheten på hvormed arkeologiske steder blir identifisert. Mange potensielle arkeologiske funn trues av ødeleggelse på grunn av havnivåstigning og andre klimaendringer, skogrydding, bygging eller andre menneskelige aktiviteter. De tradisjonelle metodene som arkeologer bruker for å finne potensielle steder kan ta måneder eller år. Dette er en av hovedgrunnene til at maskinlæring er nyttig for arkeologisk forskning, ifølge Davis.

De kunstige intelligens-modellene som er utviklet for å forbedre arkeologisk forskning, har anvendelser utenfor å lære mer om kulturen og historien til gamle sivilisasjoner. Studier av teknikker brukt av historiske sivilisasjoner kan hjelpe moderne regjeringer med å håndtere langvarige utfordringer som vannressursforvaltning. For eksempel brukte forskere fra Institut Català d’Arqueologia Clàssica (ICAC) en kunstig intelligens-modell til å rekonstruere trekkene til tusenvis av miles av paleo-elver i dagens India og Pakistan. Datamengden modellen gjorde mulig kan hjelpe regjeringer med å finne smarte måter å bruke vannressurser på.

Foruten de ovennevnte bruksområdene, kan kunstig intelligens også forbedre arkeologers forskning på en rekke andre måter. Kunstig intelligens-teknikker brukes for å hjelpe forskere med å bestemme den kjemiske strukturen til keramikk, potter og andre artefakter. Ved å analysere en artefakts kjemiske komponenter, kan forskere få bedre ideer om hvor materialet som ble brukt til å lage artefaktene kom fra. Lingvistiske antropologer har nylig brukt maskinlæringsteknikker til å modellere hvordan ulike språk kan ha oppstått i ulike deler av verden, og i fjor inskripsjoner på skadde greske artefakter ble rekonstruert med hjelp av et dypt nevralt nettverk utviklet av Google DeepMind. I fjor ble det publisert over 65 arkeologiske artikler som brukte maskinlæring på en eller annen måte, og dette tallet vil sannsynligvis bare øke i fremtiden.