Κέρδη:
- Χρήση τεχνητής νοημοσύνης στην αμερόληπτη περιγραφή και οπτική προκαταρκτική ομαδοποίηση ευρημάτων, και δυνατότητα διάκρισης πολιτισμικής-χρονολογικής αναφοράς από την εργασία του ειδικού με τον κατάλογο αναφοράς.
- Ικανότητα κατανόησης του τρόπου με τον οποίο η ποιότητα της φωτογραφίας (κλίμακα, φως, έγχρωμη κάρτα) και τα μετα-οπτικά δεδομένα όπως η υφή, το προφίλ, το πλαίσιο καθορίζουν την ακρίβεια ταξινόμησης.
- Ικανότητα αναγνώρισης της τάσης της τεχνητής νοημοσύνης να επιβάλλει το πιο οικείο μοτίβο σε σπάνια και άτυπα ευρήματα και να επιβεβαιώνει κάθε απόδοση με μια ανεξάρτητη πηγή
Ένα από τα πιο κουραστικά αλλά ενημερωτικά καθήκοντα μιας ανασκαφής είναι η ταξινόμηση εύρεσης (διαχωρισμός των αντικειμένων που βρέθηκαν ανάλογα με τον τύπο, τη μορφή και την περίοδο). Δεκάδες χιλιάδες κεραμικά κομμάτια, εκατοντάδες νομίσματα, λίθινα εργαλεία (λιθικά), οστέινα, γυάλινα και μεταλλικά αντικείμενα που αποκαλύφθηκαν σε μια εποχή πρέπει να εξεταστούν και να καταγραφούν ένα προς ένα. Σε αυτήν την ενότητα, θα μάθουμε πώς η ανάλυση εικόνας (αυτόματη εξαγωγή χαρακτηριστικών όπως το σχήμα, το χρώμα, η υφή από μια φωτογραφία ενός αντικειμένου) και η ταξινόμηση βάσει τεχνητής νοημοσύνης επιταχύνει την εργασία εύρεσης, αλλά γιατί η τελική απόφαση απόδοσης παραμένει πάντα στον ειδικό.
Η βασική αρχή είναι η εξής: Η τεχνητή νοημοσύνη ομαδοποιεί γρήγορα εκείνα που μοιάζουν. αλλά μπορεί κανείς να κάνει μια πολιτιστική-χρονολογική αναφορά όπως «αυτό το κομμάτι είναι μια ανατολικοελληνική παραγωγή του 6ου αιώνα π.Χ.» με βάση τον κατάλογο αναφοράς και το ειδικό μάτι. Η τεχνητή νοημοσύνη είναι βοηθός προδιαλογής και μέτρησης, όχι αρχή τυπολογίας.
Βήματα εύρεσης ταξινόμησης
1. Οπτική σύλληψη. Κάθε εύρημα φωτογραφίζεται με τυπική σειρά, με μια γραμμή κλίμακας (ο χάρακας δείχνει το μέγεθος) και μια έγχρωμη κάρτα. Το σταθερό φως και το φόντο είναι κρίσιμα για την ανάλυση εικόνας AI. Κακή φωτογραφία σημαίνει κακή ταξινόμηση.
2. Εξαγωγή χαρακτηριστικών. ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ; Εξάγει μετρήσιμα χαρακτηριστικά όπως προφίλ άκρων, μορφή (στεφάνι, κάτω μέρος, λαβή), επεξεργασία επιφάνειας (γυάλισμα, γυαλί, βαφή), χρώμα πάστας και υφή. Η ζύμη (η ψημένη μορφή του πηλού· το χρώμα και τα πρόσθετά της υποδηλώνουν τον τόπο και την τεχνική παραγωγής) είναι η ραχοκοκαλιά της αρχαιολογικής τυπολογίας.
3. Προ-ομαδοποίηση. Η τεχνητή νοημοσύνη ταξινομεί χιλιάδες μέρη σε ομάδες με βάση την οπτική ομοιότητα: «πιθανόν ίδιο δοχείο», «παρόμοια μορφή», «παρόμοια ζύμη». Αυτό θέτει τακτοποιημένους σωρούς μπροστά στον ειδικό.
4. Αναφορά εμπειρογνωμόνων. Ο ειδικός αποδίδει την περίοδο, τον τόπο παραγωγής και τη λειτουργία σε κάθε ομάδα μέσω καταλόγων αναφοράς, σειρών τύπων και της δικής του εμπειρίας. Το AI που λέει "αυτή είναι η Ρωμαϊκή περίοδος" είναι μια υπόδειξη, όχι μια απόφαση.
5. Εγγραφή. Κάθε εύρημα εισέρχεται στη βάση δεδομένων με τον αριθμό περιβάλλοντος, τις μετρήσεις, τη φωτογραφία και την απόδοση (αυτό είναι το θέμα της ενότητας 5).
Συμβουλή: Ζητήστε από το AI να «περιγράψει» ένα εύρημα, όχι να το «περιγράψει». «Τι εποχή είναι αυτή;» αντ' αυτού, ρωτήστε "αναγράψτε αντικειμενικά τα μετρήσιμα χαρακτηριστικά (μορφή, άκρη, επιφάνεια, χρώμα) αυτού του τμήματος". Εσείς αποφασίζετε για την περίοδο με τον κατάλογο αναφοράς. Η περιγραφή είναι αξιόπιστη, η απόδοση είναι επικίνδυνη.
Ιδιαίτερη προσοχή πρέπει να δοθεί στα νομίσματα και στις επιγραφές.
Τα νομίσματα είναι ελκυστικά στην ανάλυση εικόνας επειδή είναι πολυάριθμα και τυποποιημένα. Η τεχνητή νοημοσύνη μπορεί να σας βοηθήσει να αναγνωρίσετε το πορτρέτο στην όψη του νομίσματος (averse) και το σύμβολο στην πίσω όψη του (πίσω). Αλλά η αναγνώριση νομισμάτων απαιτεί νομισματική τεχνογνωσία: είτε μια φθαρμένη επιγραφή, ένα πλαστό κόψιμο ή μια σπάνια παραλλαγή, η εσφαλμένη απόδοση είναι πολύ προφανής. Το AI που λέει "αυτό είναι το νόμισμα αυτού του αυτοκράτορα" επιβεβαιώνεται σίγουρα από έναν τυπικό κατάλογο νομισμάτων. Το ίδιο ισχύει και για τα ενεπίγραφα και σφραγισμένα ευρήματα.
Προσοχή: Η τεχνητή νοημοσύνη τείνει να "ταιριάζει" ένα εύρημα που μοιάζει με έναν διάσημο τύπο με αυτόν τον διάσημο τύπο. Αναγκάζει σπάνια, τοπικά ή άτυπα παραδείγματα στο πιο οικείο μοτίβο. Να είστε στην καλύτερη περίπτωση δύσπιστοι για την πρώτη αναφορά στην τεχνητή νοημοσύνη σε ένα ασυνήθιστο εύρημα.
τρεις μίνι θήκες
Περίπτωση 1 — Η προδιαλογή μείωσε το φορτίο. 8.400 όστρακα κεραμικών αποκαλύφθηκαν σε οικισμό της Εποχής του Σιδήρου. Η οπτική ομαδοποίηση AI χώρισε τα μέρη σε σχεδόν 40 προηγούμενες ομάδες. Αντί να εξαλείψει κάθε κομμάτι από την αρχή, ο ειδικός πέρασε από τα συμπλέγματα και ο χρόνος ταξινόμησης μειώθηκε κατά περίπου ένα τρίτο. Ο ειδικός διαχώρισε δύο διαφορετικές παρτίδες ζύμης που η AI είχε συνδυάσει λανθασμένα.
Περίπτωση 2 — Λήψη ψευδούς απόδοσης. Ένας ασκούμενος εισήγαγε ένα νόμισμα στο AI. Το AI το απέδωσε με σιγουριά σε γνωστό ρωμαϊκό τύπο. Όταν ο νομισματικός εμπειρογνώμονας το συνέκρινε με τον κατάλογο, είδε ότι η αντίστροφη σειρά συμβόλων και του μύθου (που έγραφε στο νόμισμα) ήταν διαφορετική και ότι επρόκειτο για μια τοπική απομίμηση κοπής. Το AI είχε αναγκάσει τον πιο οικείο τύπο.
Περίπτωση 3 — Πρόβλημα ασυνέπειας χρώματος. Μια ομάδα τροφοδότησε τις φωτογραφίες της τεχνητής νοημοσύνης που τραβήχτηκαν σε διαφορετικές ημέρες με διαφορετικό φως. Τα χρώματα της ζύμης ήταν ασυνεπή και η ομαδοποίηση ήταν σπασμένη. Όταν η ομάδα άλλαξε σε μια έγχρωμη κάρτα και ένα σχήμα σταθερού φωτός, η ακρίβεια ομαδοποίησης αυξήθηκε σημαντικά. Μάθημα: η ποιότητα της εικόνας είναι η ποιότητα ταξινόμησης.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Ουδέτερη περιγραφή:
Ο ρόλος σας: Βρέθηκε βοηθός περιγραφής. Θα σας δώσω μια φωτογραφία/δεδομένα εύρεσης. Αναφέρετε μόνο ΠΑΡΑΤΗΡΗΤΑ χαρακτηριστικά αντικειμενικά: μορφή (στόμιο/κάτω/σώμα/λαβή), εκτιμώμενο μέγεθος, φινίρισμα επιφάνειας, χρώμα, διακόσμηση, θραύση/κατάσταση φθοράς. ΜΗΝ ΑΝΑΦΕΡΕΤΕ ΣΕ ΠΕΡΙΟΔΟ, ΠΟΛΙΤΙΣΜΟ Ή ΤΟΠΟ ΠΑΡΑΓΩΓΗΣ. Εάν δεν είστε σίγουροι για τη δυνατότητα, γράψτε "αβέβαιο".
2) Προ-ομαδοποίηση:
Παρακάτω θα επικολλήσω τα δεδομένα περιγραφής των [N] τμημάτων. Τα χωρίζουμε σε ομάδες ανάλογα με τη μορφή και την ομοιότητα ζύμης. Για κάθε ομάδα: γράψτε τα κοινά χαρακτηριστικά, τους αριθμούς εξαρτημάτων που εμπίπτουν στην ομάδα και τα κριτήρια που συνδέουν την ομάδα. Βάλτε τα εξαρτήματα που παραμένουν ασαφή σε μια ξεχωριστή λίστα "προς επανεξέταση". Μην δώσετε ακριβές όνομα τύπου.
3) Παραγωγή λίστας ελέγχου για παραπομπή:
Ο ρόλος σας: ειδικός σύμβουλος κεραμικών. Για την ακόλουθη ομάδα, αναφέρετε τα κριτήρια που πρέπει να ελέγξω κατά την ΕΠΑΛΗΘΕΥΣΗ της περιόδου/του στοιχείου παραγωγής (ανάλυση ζύμης, κατάλογος αναφοράς, παράλληλη εύρεση, ημερομηνία περιβάλλοντος κ.λπ.). Μην κάνετε την αναφορά. Πες μου τι πρέπει να ελέγξω.
4) Έλεγχος ποιότητας φωτογραφίας:
Αξιολογήστε τις παρακάτω φωτογραφίες που βρέθηκαν: υπάρχει γραμμή κλίμακας, είναι το φως συνεπές, είναι ορατή η κάρτα χρώματος, είναι απλό το φόντο, είναι καθαρό το κομμάτι; Ποιες φωτογραφίες πρέπει να επαναληφθούν για ταξινόμηση; Καταγράψτε προβλήματα με τον αριθμό εξαρτήματος.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Από ποιον πολιτισμό ήταν αυτό το κομμάτι κεραμικής, πόσο χρονών ήταν και σε τι χρησίμευε;
Η τεχνητή νοημοσύνη επινοεί ακριβή πολιτισμό, ακριβή ηλικία και ακριβή λειτουργία από μια φωτογραφία. Όλοι είναι αβάσιμοι και σίγουροι.
Ισχυρή προτροπή:
Ο ρόλος σας: Βρέθηκε βοηθός περιγραφής. Περιγράψτε μόνο τα παρατηρήσιμα χαρακτηριστικά του κομματιού στη φωτογραφία: τμήμα φόρμας (στόμιο/κάτω;), επιφάνεια (γυαλισμένο/απογάνωμα, στιλβωμένο;), χρώμα, διακόσμηση, εκτιμώμενο πάχος. Στη συνέχεια, με βάση αυτήν την περιγραφή, πείτε μου ποια πρόσθετα δεδομένα (ανάλυση ζύμης, σχέδιο προφίλ, πλαίσιο) χρειάζονται για να διευκρινιστεί η λειτουργία και η περίοδος. Μην κάνετε ακριβή αναφορά πολιτισμού/ηλικίας.
Διαφορά: το πρώτο απαιτεί απόφαση και λαμβάνει εφαρμογή. Το δεύτερο απαιτεί περιγραφή και επαληθεύσιμο οδικό χάρτη.
Πέρα από το οπτικό: ζύμη, πλαίσιο και προφίλ
Μια παγίδα στην ανάλυση εικόνας AI είναι ότι κοιτάζει μόνο την εμφάνιση της επιφάνειας. Ωστόσο, η ραχοκοκαλιά της αρχαιολογικής τυπολογίας είναι συχνά αόρατη με γυμνό μάτι. Η ζύμη (η κατάσταση ψησίματος του πηλού, τα πρόσθετά του και η υφή του στο σπασμένο τμήμα) αποκαλύπτει πού και πώς παρήχθη ένα δοχείο και ποια πηγή πηλού χρησιμοποιήθηκε. Αν και δύο κομμάτια είναι παρόμοια στην επιφάνεια, αν η ζύμη τους είναι διαφορετική, μπορεί να ανήκουν σε διαφορετικές παραδόσεις παραγωγής. Επομένως, μια σοβαρή ταξινόμηση απαιτεί να φωτογραφηθεί το σπασμένο τμήμα του κομματιού.
Ομοίως, το προφίλ (σχέδιο κλίμακας του πλευρικού σώματος-κάτω τμήματος ενός αγγείου) ορίζει τη μορφή με πολύ μεγαλύτερη ακρίβεια από μια μεμονωμένη φωτογραφία. Η γωνία του στόματος, το πάχος των άκρων και το σχήμα του πυθμένα είναι δείκτες της περιόδου. Το AI μπορεί να βοηθήσει στην αυτόματη εξαγωγή του σχεδίου προφίλ και στην ομαδοποίηση παρόμοιων προφίλ, αλλά ο ειδικός επαληθεύει το σχέδιο και τη μέτρηση. Τέλος, το πλαίσιο (σε ποιο επίπεδο βρέθηκε το κομμάτι, με τι) είναι μια ισχυρή ένδειξη χρονολόγησης ανεξάρτητα από την οπτική ομοιότητα: τα κομμάτια στο ίδιο κλειστό πλαίσιο είναι συχνά από την ίδια περίοδο. Εάν δώσετε στο AI μόνο τη φωτογραφία και παραλείψετε την υφή, το προφίλ και το πλαίσιο, αγνοείτε τα πιο πολύτιμα στοιχεία σας.
Συμβουλή: Όταν δίνετε ένα τεχνούργημα στο AI, παρέχετε τρεις προβολές εάν είναι δυνατόν: εξωτερική επιφάνεια, εσωτερική επιφάνεια και σπασμένο τμήμα. Συμπεριλάβετε επίσης τον αριθμό περιβάλλοντος και τυχόν μετρήσεις προφίλ. Όσο πιο αμερόληπτα δεδομένα σημαίνει τόσο πιο αξιόπιστη ομαδοποίηση.
Πίνακας χρήσης AI ανά τύπο εύρεσης
Τύπος εύρεσης
Το AI είναι ισχυρό
Επικίνδυνη/ανθρώπινη επιχείρηση
Υποχρεωτική επαλήθευση
κεραμικά
Προομαδοποίηση φόρμας/ζύμης
Περίοδος, τόπος αναφοράς παραγωγής
Κατάλογος αναφοράς, ανάλυση ζύμης
νόμισμα
Προαναγνώριση προσώπου/εικονιδίου
Απόδοση, μίμηση/σπάνια ανίχνευση
Κατάλογος νομισμάτων, ειδικός
Λιθικό (πέτρινο εργαλείο)
Μέτρηση τύπου και μεγέθους
Λειτουργία, αναθεώρηση τεχνολογίας
Ανάλυση χρήσης-φθοράς
γυαλί/μέταλλο
Χρώμα, φόρμα προδιαχωρισμού
Σύνθεση, χρονολογία
Εργαστηριακή ανάλυση
μικρό εύρημα
Αντιστοίχιση φωτογραφιών αποθέματος
Λειτουργία, ερμηνεία σημασίας
Πλαίσιο, παράλληλο παράδειγμα
Συνήθη λάθη
- Ζητώντας αναφορές και όχι περιγραφές. Ζητήστε από την τεχνητή νοημοσύνη «πως φαίνεται», όχι «τι είναι». Πάρτε την απόφασή σας με τον κατάλογο.
- Ταξινόμηση με κακή φωτογραφία. Χωρίς κλίμακα, φως και έγχρωμη κάρτα η έξοδος είναι αναξιόπιστη.
- Αποδεχόμενοι την πρώτη αναφορά του AI στο σπάνιο εύρημα. Το AI αναγκάζει το άτυπο μοτίβο στο πιο οικείο μοτίβο.
- Παράλειψη δεδομένων επικόλλησης/πλαισίου. Η οπτική ομοιότητα από μόνη της είναι παραπλανητική. η ζύμη και το πλαίσιο είναι καθοριστικά.
- Λάθος προκαταρκτική ομαδοποίηση για οριστική τυπολογία. Η ομαδοποίηση είναι μια αρχή. Η τυπολογία είναι μια εργασία ειδικού και αναφοράς.
Συνοπτικά
AI στην ταξινόμηση που βρέθηκε. Εξοικονομεί σοβαρό χρόνο στην οπτική περιγραφή, την εξαγωγή χαρακτηριστικών και τις προκαταρκτικές εργασίες ομαδοποίησης. Όμως η πολιτισμική-χρονολογική απόδοση, η μίμηση/σπάνια ανίχνευση και η λειτουργική ερμηνεία ανήκουν στους καταλόγους ειδικών και αναφοράς. Πείτε στην τεχνητή νοημοσύνη «περιγράφει» όχι «περιγράφει». τυποποίηση της ποιότητας φωτογραφίας. επαληθεύστε κάθε απόδοση με ανεξάρτητες πηγές. Σε σπάνια εύρεση, να είστε πιο δύσπιστοι για την πρώτη απάντηση του AI.
Εργασία εφαρμογής
Προετοιμάστε 10 εικόνες που έχετε βρει (ή επιλέξτε από έναν κατάλογο) σε τυπική μορφή. Περιγράψτε το καθένα με το πρότυπο "Ουδέτερη περιγραφή" και, στη συνέχεια, ομαδοποιήστε το με το πρότυπο "Προομαδοποίηση". Στη συνέχεια, συγκρίνετε μια ομάδα με έναν πραγματικό κατάλογο αναφοράς και σημειώστε πού βρισκόταν η ομαδοποίηση του AI και πού ήταν λάθος.
λίστα ελέγχου
- [ ] Τυποποίησα τις φωτογραφίες με κάρτα κλίμακας, φωτός και χρώματος.
- [ ] Ήθελα ουδέτερη περιγραφή από AI, όχι απόδοση.
- [ ] Έλεγξα την προκαταρκτική ομαδοποίηση με ειδικό μάτι και κατάλογο αναφοράς.
- [ ] Αμφισβήτησα την αρχική απόδοση της τεχνητής νοημοσύνης σε σπάνια/άτυπα ευρήματα.
- [ ] Έχω επαληθεύσει κάθε πολιτισμική-χρονολογική αναφορά με ανεξάρτητες πηγές.