O DeepScribe AI Pode Ajudar a Traduzir Tábuas Antigas

Pesquisadores da Oriental Institute e do Departamento de Ciência da Computação da Universidade de Chicago colaboraram para projetar um AI que pode ajudar a decodificar tábuas de civilizações antigas. De acordo com o Phys.org, o AI é chamado de DeepScribe e foi treinado em mais de 6.000 imagens anotadas retiradas do Persepolis Fortification Archive, quando estiver completo, o modelo de AI poderá interpretar tábuas não analisadas, tornando mais fácil o estudo de documentos antigos.

Especialistas que estudam documentos antigos, como os pesquisadores que estão estudando os documentos criados durante o Império Aquemênida na Pérsia, precisam traduzir documentos antigos à mão, um processo longo e propenso a erros. Os pesquisadores vêm usando computadores para ajudar a interpretar documentos antigos desde a década de 1990, mas os programas de computador utilizados foram de ajuda limitada. Os caracteres cuneiformes complexos, bem como a forma tridimensional das tábuas, limitaram a utilidade dos programas de computador.

Algoritmos de visão computacional e arquiteturas de aprendizado profundo trouxeram novas possibilidades para este campo. Sanjay Krishnan, do Departamento de Ciência da Computação da OI, colaborou com a professora associada de Assiriologia Susanne Paulus para lançar o programa DeepScribe. Os pesquisadores supervisionaram uma plataforma de gerenciamento de dados chamada OCHRE, que organizou dados de escavações arqueológicas. O objetivo é criar uma ferramenta de AI que seja extensa e flexível, capaz de interpretar scripts de diferentes regiões geográficas e períodos de tempo.

Como relatado pelo Phys.org, Krishnan explicou que os desafios de reconhecimento de script, que os pesquisadores arqueológicos enfrentam, são essencialmente os mesmos desafios enfrentados pelos pesquisadores de visão computacional:

“Do ponto de vista da visão computacional, é realmente interessante porque esses são os mesmos desafios que enfrentamos. A visão computacional melhorou significativamente nos últimos cinco anos; dez anos atrás, isso seria algo vago, não teríamos chegado tão longe. É um bom problema de aprendizado de máquina, porque a precisão é objetiva aqui, temos um conjunto de treinamento rotulado e entendemos o script bastante bem e isso nos ajuda. Não é um problema completamente desconhecido.”

O conjunto de treinamento em questão é o resultado de tirar as tábuas e traduções, de mais de aproximadamente 80 anos de pesquisa arqueológica realizada na OI e na U Chicago, e criar imagens anotadas de alta resolução a partir delas. Atualmente, os dados de treinamento têm aproximadamente 60 terabytes de tamanho. Os pesquisadores foram capazes de usar o conjunto de dados e criar um dicionário de mais de 100.000 sinais individuais identificados que o modelo pode aprender. Quando o modelo treinado foi testado em um conjunto de imagens não vistas, o modelo alcançou aproximadamente 80% de precisão.

Enquanto a equipe de pesquisadores está tentando aumentar a precisão do modelo, mesmo 80% de precisão pode ajudar no processo de transcrição. De acordo com Paulus, o modelo pode ser usado para identificar ou traduzir partes altamente repetitivas dos documentos, permitindo que os especialistas gastem seu tempo interpretando as partes mais difíceis do documento. Mesmo que o modelo não possa dizer com certeza o que um símbolo se traduz, pode dar aos pesquisadores probabilidades, o que já os coloca à frente.

A equipe também está visando tornar o DeepScribe uma ferramenta que outros arqueólogos possam usar em seus projetos. Por exemplo, o modelo pode ser retreinado em outras línguas cuneiformes, ou o modelo pode fazer estimativas informadas sobre o texto em tábuas danificadas ou incompletas. Um modelo suficientemente robusto pode potencialmente até estimar a idade e a origem de tábuas ou outros artefatos, algo normalmente feito com testes químicos.

O projeto DeepScribe é financiado pelo Centre for the Development of Advanced Computing (CDAC). A visão computacional foi usada em outros projetos financiados pelo CDAC, como um projeto destinado a reconhecer estilo em obras de arte e um projeto projetado para quantificar a biodiversidade em bivalves marinhos. A equipe de pesquisadores também está esperando que sua colaboração leve a futuras colaborações entre o Departamento de Ciência da Computação e a OI na Universidade de Chicago, bem como em outros projetos, como um projeto destinado a reconhecer estilo em obras de arte e um projeto projetado para quantificar a biodiversidade em bivalves marinhos. A equipe de pesquisadores também está esperando que sua colaboração leve a futuras colaborações entre o Departamento de Ciência da Computação e a OI na Universidade de Chicago.