โมเดลและแพลตฟอร์ม AI
DeepScribe AI ช่วยให้สามารถแปลแท็บเล็ตโบราณได้
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
นักวิจัยจากมหาวิทยาลัยชิคาโก้ สถาบันโบราณคดีและภาควิชาวิทยาการคอมพิวเตอร์ ได้ร่วมมือกันเพื่อออกแบบ AI ที่สามารถช่วยถอดรหัสแท็บเล็ตจากอารยธรรมโบราณ ตาม Phys.org AI ที่เรียกว่า DeepScribe ได้รับการฝึกฝนจากภาพที่มีคำอธิบายมากกว่า 6,000 ภาพจาก Persepolis Fortification Archive เมื่อโมเดล AI เสร็จสมบูรณ์ จะสามารถตีความแท็บเล็ตที่ไม่ได้วิเคราะห์ ทำให้การศึกษ文档โบราณง่ายขึ้น
ผู้เชี่ยวชาญที่ศึกษ文档โบราณ เช่น นักวิจัยที่กำลังศึกษ文档ที่สร้างขึ้นระหว่างจักรวรรดิ Achaemenid ในเปอร์เซีย ต้องแปล文档โบราณด้วยมือ ซึ่งเป็นกระบวนการที่ยาวนานและ容易เกิดข้อผิดพลาด นักวิจัยได้ใช้คอมพิวเตอร์ช่วยในการตีความ文档โบราณตั้งแต่ปี 1990 แต่โปรแกรมคอมพิวเตอร์ที่ใช้ในช่วงนั้นมีประโยชน์จำกัด อักษรคูเนอิฟอร์มที่ซับซ้อน以及รูปร่างสามมิติของแท็บเล็ต ทำให้โปรแกรมคอมพิวเตอร์ไม่สามารถช่วยได้มากนัก
อัลกอริทึมการมองเห็นของคอมพิวเตอร์และโครงสร้างการเรียนรู้ลึกได้นำความเป็นไปได้ใหม่ๆ มาสู่สาขานี้ Sanjay Krishnan จากภาควิชาวิทยาการคอมพิวเตอร์แห่ง OI ได้ร่วมมือกับ Susanne Paulus ผู้ช่วยศาสตราจารย์ด้าน Assyriology เพื่อเปิดตัวโปรแกรม DeepScribe นักวิจัยได้กำกับดูแลแพลตฟอร์มการจัดการฐานข้อมูลที่เรียกว่า OCHRE ซึ่งจัดระเบียบข้อมูลจากการขุดค้นโบราณคดี เป้าหมายคือการสร้างเครื่องมือ AI ที่มีความครอบคลุมและยืดหยุ่น สามารถตีความสคริปต์จากภูมิภาคและช่วงเวลาที่แตกต่างกัน
ตาม Phys.org Krishnan อธิบายว่าความท้าทายในการตระหนักถึงสคริปต์ ซึ่งนักวิจัยโบราณคดีเผชิญหน้า เป็นความท้าทายที่คล้ายกันกับที่นักวิจัยการมองเห็นของคอมพิวเตอร์เผชิญหน้า
“จากมุมมองของการมองเห็นของคอมพิวเตอร์ เป็นเรื่องที่น่าสนใจมาก เนื่องจากสิ่งเหล่านี้เป็นความท้าทายที่เราเผชิญหน้า การมองเห็นของคอมพิวเตอร์ในช่วง 5 ปีที่ผ่านมาได้ปรับปรุงอย่างมาก 10 ปีที่แล้ว สิ่งนี้จะไม่เกิดขึ้นได้ เราไม่ได้มาถึงจุดนี้ได้ เป็นปัญหาการเรียนรู้ของเครื่องจักรที่ดี เนื่องจากความแม่นยำเป็นแบบวัตถุประสงค์ ที่นี่เรามีชุดการฝึกอบรมที่มีฉลากและเรารู้สคริปต์อย่างดี ซึ่งช่วยให้เราได้”
ชุดการฝึกอบรมที่กล่าวถึงคือผลลัพธ์ของการนำแท็บเล็ตและคำแปลจากงานวิจัยโบราณคดีมากกว่า 80 ปีที่ OI และ U Chicago และสร้างภาพที่มีคำอธิบายสูงจากสิ่งเหล่านั้น ปัจจุบันข้อมูลการฝึกอบรมมีขนาดประมาณ 60 เทระไบต์ นักวิจัยสามารถใช้เซตข้อมูลและสร้างพจนานุกรมที่มีสัญลักษณ์มากกว่า 100,000 สัญลักษณ์ที่สามารถระบุได้จากโมเดล เมื่อโมเดลที่ฝึกฝนแล้วถูกทดสอบบนเซตภาพที่ไม่เคยเห็น โมเดลได้ความแม่นยำประมาณ 80%
ในขณะที่ทีมนักวิจัยพยายามเพิ่มความแม่นยำของโมเดล ความแม่นยำ 80% ก็สามารถช่วยในกระบวนการถอดรหัสได้ ตาม Paulus โมเดลสามารถใช้เพื่อระบุหรือแปลส่วนของเอกสารที่ซ้ำกัน ทำให้ผู้เชี่ยวชาญสามารถใช้เวลาในการตีความส่วนที่ยากของเอกสารได้ แม้ว่าโมเดลจะไม่สามารถบอกได้อย่างแน่ชัดว่าสัญลักษณ์ใดแปลเป็นอะไร แต่ก็สามารถให้ความน่าจะเป็นแก่นักวิจัยได้ ซึ่งทำให้พวกเขาได้เปรียบแล้ว
ทีมนักวิจัยยังพยายามทำให้ DeepScribe เป็นเครื่องมือที่นักโบราณคดีอื่นๆ สามารถใช้ในโครงการของตนได้ ตัวอย่างเช่น โมเดลสามารถถูกฝึกฝนใหม่บนภาษาคูเนอิฟอร์มอื่นๆ หรือโมเดลสามารถให้การประมาณค่าที่มีข้อมูลเกี่ยวกับข้อความบนแท็บเล็ตที่เสียหายหรือไม่สมบูรณ์ โมเดลที่มีความแข็งแกร่งเพียงพออาจสามารถประมาณอายุและที่มาของแท็บเล็ตหรือโบราณวัตถุอื่นๆ ได้ ซึ่งเป็นสิ่งที่ปกติทำด้วยการตรวจสอบทางเคมี
โครงการ DeepScribe ได้รับทุนจาก Centre for the Development of Advanced Computing (CDAC) การมองเห็นของคอมพิวเตอร์ถูกใช้ในโครงการที่ได้รับทุนจาก CDAC อื่นๆ เช่น โครงการที่ตั้งใจจะรู้จักสไตล์ในงานศิลปะและโครงการที่ออกแบบมาเพื่อปริมาณความหลากหลายทางชีวภาพในหอยบิวัลเวีย ทีมนักวิจัยยังหวังว่าการร่วมมือของพวกเขาจะนำไปสู่การร่วมมือในอนาคตระหว่างภาควิชาวิทยาการคอมพิวเตอร์และ OI ที่มหาวิทยาลัยชิคาโก้
