লাভ:
- কৃত্রিম বুদ্ধিমত্তা সহ কনটেক্সট/লোকাস, স্ট্র্যাটিগ্রাফি এবং হ্যারিস ম্যাট্রিক্সের মতো রেকর্ডিং ইউনিটগুলিকে ডিজিটাইজিং এবং স্ট্যান্ডার্ডাইজ করার সময় ডেটা অখণ্ডতা বজায় রাখার ক্ষমতা
- কৃত্রিম বুদ্ধিমত্তা অনুপস্থিত ডেটা সম্পূর্ণ করার এবং নীরব পরিবর্তন করার ঝুঁকির বিরুদ্ধে কাঁচা ডেটা রক্ষা করার এবং প্রতিটি রূপান্তরকে সনাক্ত করার ক্ষমতা
- বুঝুন কেন নিয়ন্ত্রিত অভিধান, মেটাডেটা, এবং খোলা/FAIR নীতিগুলি ডেটার ভবিষ্যতের ব্যবহারযোগ্যতার জন্য অপরিহার্য।
একটি খননের বৈজ্ঞানিক মূল্য এটি থেকে পাওয়া সোনার সন্ধানে নয়, বরং এর রেকর্ডের গুণমানের মধ্যে রয়েছে। একটি সন্ধান যা ভালভাবে নথিভুক্ত নয় তা বিজ্ঞানের কাছে প্রায় অপ্রাসঙ্গিক; কারণ এটি এমন একটি বস্তু যা অজানা কোথায়, কোন স্তরে এবং কিসের সাথে পাওয়া যায়, এটি একটি সুন্দর বস্তু মাত্র। এই ইউনিটে আমরা খনন লগিং (প্রতিটি প্রসঙ্গের পদ্ধতিগত ট্রান্সক্রিপশন এবং ডাটাবেস, সন্ধান এবং পর্যবেক্ষণ) এবং কীভাবে AI ডেটা এন্ট্রি, সংস্থা এবং মানককরণের গতি বাড়াতে পারে তা দেখব, তবে কেন ডেটা অখণ্ডতার দায়িত্ব মানুষের কাছে থেকে যায়।
মৌলিক নীতি: AI বিক্ষিপ্ত রেকর্ডগুলিকে সংগঠিত করতে, তাদের মানককরণ এবং অসঙ্গতিগুলি খুঁজে পেতে সহায়তা করে; কিন্তু কোন তথ্য সঠিক, একটি রেকর্ড সত্য প্রতিফলিত করে কিনা, এবং তথ্যের অখণ্ডতা মানুষের দায়িত্ব। AI ডেটার আকৃতি সংশোধন করে, এটি এর নির্ভুলতার নিশ্চয়তা দেয় না।
প্রত্নতাত্ত্বিক রেকর্ডের মৌলিক একক
প্রসঙ্গ/লোকাস। প্রতিটি খনন স্থানটিকে প্রসঙ্গের এককগুলিতে বিভক্ত করে (প্রসঙ্গ/লোকাস—একটি পৃথক জমা, স্তর, পিট বা প্রাচীর; খননের অর্থের ক্ষুদ্রতম একক)। প্রতিটি প্রসঙ্গ একটি অনন্য নম্বর পায় এবং সমস্ত সন্ধান সেই সংখ্যার সাথে যুক্ত।
স্ট্র্যাটিগ্রাফি এবং হ্যারিস ম্যাট্রিক্স। স্ট্র্যাটিগ্রাফি (পরস্পরের সাপেক্ষে স্তরগুলির আগে-পরের সম্পর্ক) আপেক্ষিক ডেটিং এর ভিত্তি। হ্যারিস ম্যাট্রিক্স (একটি চিত্র যা একে অপরের সাথে সম্পর্কিত প্রসঙ্গের ক্রম দেখায়) এই সম্পর্কগুলিকে কল্পনা করে। AI অসামঞ্জস্যপূর্ণ স্ট্র্যাটিগ্রাফিক সম্পর্ক সনাক্ত করতে সাহায্য করে (যেমন একটি চক্রাকার "A উভয় উপরে এবং B এর নীচে" ত্রুটি)।
ইনভেন্টরি খুঁজুন. প্রতিটি খুঁজে; প্রসঙ্গটি সংখ্যা, প্রকার, আকার, উপাদান, অবস্থা এবং ফটোগ্রাফ সহ রেকর্ড করা হয়।
ডেটা স্ট্যান্ডার্ড। রেকর্ড শেয়ারযোগ্য এবং তুলনাযোগ্য করতে সাধারণ মান ব্যবহার করা হয়। CIDOC-CRM (সাংস্কৃতিক ঐতিহ্যের ডেটা বর্ণনা করার জন্য একটি আন্তর্জাতিক ধারণাগত কাঠামো/অন্টোলজি তৈরি করা হয়েছে) বিভিন্ন প্রতিষ্ঠানের ডেটা একে অপরের সাথে কথা বলতে সক্ষম করে। পরিভাষাগুলির একটি নিয়ন্ত্রিত অভিধান (একটি অনুমোদিত তালিকা যা নিশ্চিত করে যে প্রত্যেকে একই ধারণার জন্য একই শব্দ ব্যবহার করে) ব্যবহার করা হয়।
টিপ: ডেটা "সংগঠিত এবং নিরীক্ষা" করতে AI ব্যবহার করুন, এটি "ব্যাখ্যা" করতে নয়। "এই রেকর্ডগুলিতে কোন প্রসঙ্গ সংখ্যাগুলি পরস্পরবিরোধী?" এটা একটা ভালো প্রশ্ন; "এই প্রসঙ্গটি কোন সময়ের সাথে সম্পর্কিত?" এটি একটি বিশেষজ্ঞ সিদ্ধান্ত। যেখানে AI সবচেয়ে শক্তিশালী তা হল ধারাবাহিকতা যাচাই করা।
নিবন্ধন এবং ডাটাবেসে AI এর ভূমিকা
- ডিজিটালাইজেশন। হাতে লেখা খনন নোটবুক, ইনভেন্টরি কার্ড এবং পুরানো অঙ্কনগুলি এআই-চালিত পাঠ্য স্বীকৃতি সহ ডাটাবেসে আমদানি করা হয় (এটি ইউনিট 6-এ HTR-এর সাথে লিঙ্ক)।
- প্রমিতকরণ। বিভিন্ন বানান ("বাইজান্টিয়াম", "বাইজ্যান্টিয়াম", "বাইজ।") নিয়ন্ত্রিত অভিধানে ম্যাপ করা হয়; তারিখ এবং পরিমাপ অভিন্ন ফর্ম আনা হয়.
- সামঞ্জস্য পরীক্ষা। অনুপস্থিত প্রসঙ্গ নম্বর, পরস্পরবিরোধী স্ট্র্যাটিগ্রাফি, দুটি ভিন্ন অনুসন্ধানে একই সংখ্যার ব্যবহার হিসাবে ত্রুটিগুলি চিহ্নিত করা হয়েছে।
- প্রশ্ন এবং সারাংশ. "নিম্নলিখিত প্রসঙ্গে সমস্ত গ্লাস খুঁজে পাওয়া যায়" এবং সারাংশ টেবিলের মতো প্রশ্নগুলি দ্রুত তৈরি করা হয়।
সতর্কতা: স্ট্যান্ডার্ডাইজ করার সময়, AI নীরবে ডেটা পরিবর্তন করতে পারে যখন এটি "ঠিক" করার চেষ্টা করে; উদাহরণ স্বরূপ, তিনি একটি পরিমাপকে একটি "যুক্তিসঙ্গত" মানের বৃত্তাকার করতে পারেন বা তার নিজের অনুমান দিয়ে একটি অনিশ্চিত পাঠ পূরণ করতে পারেন। প্রতিটি স্বয়ংক্রিয় পরিবর্তন অবশ্যই সনাক্তযোগ্য হতে হবে এবং মূল রেকর্ড অবশ্যই সংরক্ষণ করতে হবে। কাঁচা ডেটা কখনই ওভাররাইট করা হয় না।
তিনটি মিনি কেস
কেস 1 — ডিজিটাইজেশন সংরক্ষণাগার সংরক্ষণ করেছে। একটি জাদুঘর হারিয়ে যাওয়ার ঝুঁকিতে 40 বছরের হাতে লেখা ইনভেন্টরি কার্ড (প্রায় 22,000 কার্ড) সংরক্ষণ করছিল। এআই-চালিত পাঠ্য স্বীকৃতি এবং প্রমিতকরণ কার্ডগুলিকে একটি অনুসন্ধানযোগ্য ডাটাবেসে আমদানি করেছে; প্রতিটি কার্ড একটি নমুনা ভিত্তিতে একটি মানব পরীক্ষক দ্বারা পরীক্ষা করা হয়েছিল, এবং অপঠিত এলাকাগুলি "অস্পষ্ট" হিসাবে চিহ্নিত করা হয়েছিল।
কেস 2 - অসঙ্গতি পরীক্ষা ত্রুটি পাওয়া গেছে. একটি খনন দল মৌসুমের শেষে ডাটাবেস AI অডিট করেছিল; YZ চিহ্নিত করেছে যে তিনটি ফাইন্ডে একই প্রসঙ্গ নম্বর কিন্তু পরস্পরবিরোধী স্তরের তথ্য রয়েছে। পর্যালোচনা একটি ডেটা এন্ট্রি ত্রুটি প্রকাশ; যদি সংশোধন না করা হয় তবে এটি স্ট্র্যাটিগ্রাফিক ব্যাখ্যাকে বিকৃত করবে।
কেস 3 - নীরব পরিবর্তন ধরা পড়েছে। পরিমাপ প্রমিত করার সময়, একজন সহকারী লক্ষ্য করেছেন যে AI কিছু "0" মানকে "অনুপস্থিত" এর পরিবর্তে "শূন্য" হিসাবে ব্যাখ্যা করছে; এই ভাঙা টুকরা দৈর্ঘ্য বিকৃত. প্রক্রিয়াটি মূল ডেটা সংরক্ষণ করার জন্য পুনর্নির্মাণ করা হয়েছিল কিন্তু পরিবর্তনগুলি একটি পৃথক কলামে রাখতে।
চারটি অনুলিপিযোগ্য টেমপ্লেট
1) প্রমিতকরণ (নিয়ন্ত্রিত অভিধান):
আপনার ভূমিকা: ডেটা র্যাংলিং সহকারী। নিম্নলিখিত রেকর্ডে [ক্ষেত্র:পদার্থ/পর্যায়/টাইপ] এর মানগুলি নিম্নলিখিত নিয়ন্ত্রিত অভিধানে ম্যাপ করুন: [অভিধান তালিকা]। মান পরিবর্তন করুন যেগুলির অভিধানে সমতুল্য নেই; এটিকে "কোনও মিল নেই" হিসাবে চিহ্নিত করুন। প্রতিটি পরিবর্তন একটি আসল-নতুন জোড়া হিসাবে রিপোর্ট করুন; কাঁচা তথ্য মুছে ফেলা।
2) সামঞ্জস্য পরীক্ষা:
নিম্নলিখিত খনন রেকর্ডগুলিতে অসঙ্গতিগুলি খুঁজুন: পুনরাবৃত্তিমূলক প্রসঙ্গ সংখ্যা, অনুপস্থিত বাধ্যতামূলক ক্ষেত্র, বিরোধপূর্ণ স্ট্র্যাটিগ্রাফিক সম্পর্ক, বিশ্রী তারিখ/পরিমাপ। নিবন্ধন নম্বর সহ প্রতিটি সমস্যা তালিকাভুক্ত করুন এবং এটি ঠিক করার জন্য এটি আমার কাছে ছেড়ে দিন; নিজেকে পরিবর্তন করবেন না।
3) হ্যারিস ম্যাট্রিক্স লজিক নিয়ন্ত্রণ:
নীচে প্রসঙ্গগুলির মধ্যে স্ট্র্যাটিগ্রাফিক সম্পর্ক রয়েছে (A উপরে/নীচে B)। একটি যৌক্তিক দ্বন্দ্ব আছে (লুপ, দ্বিমুখী সম্পর্ক)? কোন প্রসঙ্গ দেখান, যদি থাকে। মন্তব্য করবেন না; শুধু যৌক্তিক সামঞ্জস্যের জন্য পরীক্ষা করুন।
4) ক্যোয়ারী এবং সারাংশ টেবিল:
নীচের ডাটাবেস ডাম্প থেকে নিম্নলিখিত নির্যাস: [যেমন প্রসঙ্গ প্রতি টাইপ বন্টন খুঁজুন]। প্রতিটি সারি কোন রেকর্ড থেকে উদ্ভূত হয়েছে তা উল্লেখ করে একটি টেবিল হিসাবে ফলাফল দিন। ডেটাতে বিদ্যমান নেই এমন কোনো মান যোগ করবেন না; যদি এটি খালি থাকে তবে "নো ডেটা" লিখুন।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
দুর্বল প্রম্পট:
এই খনন তথ্য সংশোধন করুন এবং অনুপস্থিত আইটেম পূরণ করুন.
"শূন্যস্থান পূরণ করুন" এআইকে ডেটা ফিট করার অনুমতি দেয়; ফলাফল একটি অবিশ্বস্ত ডাটাবেস যেখানে সত্য এবং কল্পকাহিনী মিশ্রিত হয়।
শক্তিশালী প্রম্পট:
নীচের খনন ডেটাতে শুধুমাত্র আনুষ্ঠানিক অসঙ্গতি (বানান, তারিখ বিন্যাস, সদৃশ আইডি) চিহ্নিত করুন। সম্পূর্ণ অনুপস্থিত মান; এটি "অসম্পূর্ণ" হিসাবে ছেড়ে দিন। মূলের সাথে প্রতিটি প্রস্তাবিত পরিবর্তনের তালিকা করুন; আমি অনুমোদন দেব। কাঁচা তথ্য পরিবর্তন.
পার্থক্য: প্রাক্তন নীরবে ডেটা দূষিত করে; দ্বিতীয়টি নিয়ন্ত্রণ করে এবং সিদ্ধান্ত মানুষের উপর ছেড়ে দেয়।
ভাল ডেটা মডেল: ক্ষেত্র, সম্পর্ক এবং মেটাডেটা
একটি প্রত্নতাত্ত্বিক ডাটাবেস একটি স্বেচ্ছাচারী সারণী নয়, তবে একটি চিন্তাশীল ডেটা মডেল (কোন টেবিল, কোন ক্ষেত্র এবং কোন সম্পর্কের মধ্যে ডেটা সংগঠিত হবে তার একটি নীলনকশা)। মূল নীতি হল যে সবকিছুই প্রেক্ষাপটের উপর নির্ভর করে: প্রসঙ্গ খুঁজে পায়, একে অপরের প্রসঙ্গ (স্ট্র্যাটিগ্রাফি) এবং ক্ষেত্রের দিকে। প্রতিটি রেকর্ড একটি অনন্য পরিচয় (আইডি) বহন করে এবং এই পরিচয়ের মাধ্যমে সম্পর্ক স্থাপন করা হয়; একটি অনুসন্ধান একটি একক প্রসঙ্গকে বোঝায়, একটি প্রসঙ্গে অনেকগুলি সন্ধান থাকতে পারে।
রেকর্ডিংয়ের মতোই গুরুত্বপূর্ণ মেটাডেটা (তথ্য সম্পর্কে ডেটা: কে এটি রেকর্ড করেছে, কখন, কী পদ্ধতিতে, কী সংস্করণ)। একটি রেকর্ড যা অজানা কার দ্বারা, কখন এবং কী আত্মবিশ্বাসের সাথে প্রবেশ করা হয়েছিল তা ভবিষ্যতে প্রশ্ন করা যাবে না। AI মেটাডেটা ক্ষেত্রগুলির সামঞ্জস্যপূর্ণ পূরণ এবং অনুপস্থিত মেটাডেটা ফ্ল্যাগিং পরীক্ষা করতে সহায়ক।
আরেকটি গুরুত্বপূর্ণ নীতি হল একটি উন্মুক্ত এবং টেকসই বিন্যাস। মালিকানাধীন, বন্ধ সফ্টওয়্যারে ডেটা লক করার পরিবর্তে, এটিকে খোলা মানদণ্ডের কাছাকাছি রাখা (টেক্সট-ভিত্তিক টেবিল, নথিভুক্ত স্কিমা) নিশ্চিত করে যে ডেটা কয়েক দশক পরে পড়তে পারে। প্রত্নতাত্ত্বিক তথ্য একক প্রকাশনার জন্য নয়, ভবিষ্যত প্রজন্মের জন্য উত্পাদিত হয়; এই কারণেই FAIR নীতিগুলি (ফাইন্ডিং, অ্যাক্সেসযোগ্য, ইন্টারঅপারেবল এবং ডেটা পুনরায় ব্যবহারযোগ্য) ক্রমবর্ধমান মান হয়ে উঠেছে। AI এই নীতিগুলি অনুসারে আপনার ডেটা লেবেল করতে এবং ঘাটতিগুলি খুঁজে পেতে কার্যকর; তবে কোন ডেটা খোলা থাকবে এবং কোনটি সংবেদনশীল (গোপনীয়) থাকবে তা সিদ্ধান্ত নেওয়া আপনার উপর নির্ভর করে।
টিপ: আপনি যখন আপনার ডাটাবেস সেট আপ করছেন, তখন নিজেকে জিজ্ঞাসা করুন, "যে কেউ এটি জানে না সে কি 10 বছরে এটি খুলতে এবং বুঝতে পারে?" জিজ্ঞাসা একটি শব্দকোষে আপনার সংক্ষিপ্ত রূপগুলি ব্যাখ্যা করুন, মেটাডেটা ক্ষেত্রগুলি পূরণ করুন এবং একটি খোলা বিন্যাসে কাঁচা ডেটা ব্যাক আপ করুন৷
রেকর্ড/ডাটাবেস টাস্ক টেবিল
কোয়েস্ট
AI এর ভূমিকা
মানুষের সিদ্ধান্ত
সুরক্ষা নিয়ম
ডিজিটাইজেশন
পাঠ্য স্বীকৃতি
অস্পষ্ট পড়া নিশ্চিতকরণ
কাঁচা স্ক্যান সংরক্ষণ করা হয়
প্রমিতকরণ
অভিধানে মানচিত্র
মানহীন সিদ্ধান্ত
মূল সংরক্ষিত আছে
ধারাবাহিকতা
দ্বন্দ্ব চিহ্নিতকরণ
সংশোধন
পরিবর্তন ট্র্যাক করা হয়
স্ট্র্যাটিগ্রাফি
যুক্তি নিয়ন্ত্রণ
মন্তব্য করুন
ম্যাট্রিক্স বিশেষজ্ঞের অনুমোদন
প্রশ্ন/সারাংশ
টেবিল উত্পাদন
মন্তব্য, পছন্দ
তথ্যের প্রতি বিশ্বস্ততা
সাধারণ ভুল
- অনুপস্থিত ডেটা পূরণ করা হচ্ছে। AI মেক আপ; অনুপস্থিত থাকতে হবে "অসম্পূর্ণ"।
- কাঁচা ডেটা ওভাররাইট করা হচ্ছে। মূল সবসময় সংরক্ষিত হয়; পরিবর্তন আলাদা রাখা হয়।
- নীরব পরিবর্তন লক্ষ্য না. প্রতিটি স্বয়ংক্রিয় রূপান্তর রিপোর্ট করা এবং নিরীক্ষিত করা উচিত.
- স্ট্যান্ডার্ড এড়িয়ে যাওয়া। একটি নিয়ন্ত্রিত অভিধান এবং একটি সাধারণ মডেল ছাড়া, ডেটা ভাগ করা যায় না।
- AI সঞ্চালন স্ট্র্যাটিগ্রাফিক ব্যাখ্যা. এআই যৌক্তিক দ্বন্দ্ব খুঁজে পায়; মন্তব্য বিশেষজ্ঞের জন্য।
সংক্ষেপে
খনন রেকর্ড এবং ডাটাবেসে এআই; এটি ডিজিটাইজেশন, স্ট্যান্ডার্ডাইজেশন, সামঞ্জস্যতা পরীক্ষা এবং ক্যোয়ারী কাজে দুর্দান্ত গতি প্রদান করে। কিন্তু ডেটা অখণ্ডতা পবিত্র: কোনও অনুপস্থিত অংশগুলি অক্ষত রাখা হয় না, কাঁচা ডেটা সংরক্ষিত হয়, প্রতিটি পরিবর্তন ট্র্যাক করা হয় এবং স্ট্র্যাটিগ্রাফিক ব্যাখ্যা বিশেষজ্ঞের অন্তর্গত। ভাল রেকর্ড হল সবচেয়ে মূল্যবান উত্তরাধিকার যা খনন ভবিষ্যতের জন্য ছেড়ে যায়।
আবেদন টাস্ক
একটি ছোট নমুনা খনন ডেটা টেবিল প্রস্তুত করুন (10-20 রেকর্ড); ইচ্ছাকৃতভাবে সেখানে কিছু অসঙ্গতি রাখুন (ডুপ্লিকেট আইডি, ভুল তারিখ, বিরোধপূর্ণ স্তর)। AI-কে "সংগতি পরীক্ষা" এবং "হ্যারিস ম্যাট্রিক্স লজিক চেক" প্যাটার্নগুলির সাথে এইগুলি খুঁজে পেতে বলুন; তারপর একটি নিয়ন্ত্রিত অভিধান লিখুন এবং উপাদান ক্ষেত্রটিকে "স্ট্যান্ডার্ডাইজেশন" টেমপ্লেটে ম্যাপ করুন এবং কাঁচা ডেটা সংরক্ষণ নিশ্চিত করুন৷
চেকলিস্ট
- [] আমি অপরিশোধিত, আলাদাভাবে কাঁচা ডেটা সংরক্ষণ করেছি।
- [ ] আমি AI কে অনুপস্থিত অংশগুলি সম্পূর্ণ করিনি; "অসম্পূর্ণ" বলে রেখে দিলাম।
- [ ] আমি মূলের সাথে প্রতিটি স্বয়ংক্রিয় পরিবর্তন পরীক্ষা করেছি।
- [] আমি নিয়ন্ত্রিত অভিধান এবং ডেটা স্ট্যান্ডার্ড ব্যবহার করেছি।
- আমি বিশেষজ্ঞের রায়ের উপর ভিত্তি করে স্ট্র্যাটিগ্রাফিক ব্যাখ্যা তৈরি করেছি।