سود:
- استفاده از هوش مصنوعی در توصیف بیطرفانه و گروهبندی اولیه بصری یافتهها و توانایی تشخیص مرجع فرهنگی - زمانی از کار متخصص با کاتالوگ مرجع.
- توانایی درک اینکه چگونه کیفیت عکس (مقیاس، نور، کارت رنگی) و داده های فرابصری مانند بافت، نمایه، زمینه، دقت طبقه بندی را تعیین می کند.
- توانایی تشخیص تمایل هوش مصنوعی برای تحمیل آشناترین الگو در یافته های نادر و غیر معمول و تایید هر انتساب با منبع مستقل
یکی از خستهکنندهترین و در عین حال آموزندهترین کارهای حفاری، طبقهبندی یافتن (جداسازی اشیاء یافت شده بر اساس نوع، فرم و دوره) است. ده ها هزار قطعه سرامیک، صدها سکه، ابزار سنگی (سنگ)، استخوان، اشیاء شیشه ای و فلزی که در یک فصل از زیر خاک بیرون آمده اند باید یک به یک بررسی و ثبت شوند. در این بخش، خواهیم آموخت که چگونه تجزیه و تحلیل تصویر (استخراج خودکار ویژگیهایی مانند شکل، رنگ، بافت از عکس یک شی) و طبقهبندی مبتنی بر هوش مصنوعی باعث افزایش سرعت یافتن کار میشود، اما چرا تصمیم نهایی انتساب همیشه با متخصص باقی میماند.
اصل اساسی این است: هوش مصنوعی به سرعت آنهایی را که شبیه به هم هستند گروه بندی می کند. اما می توان بر اساس کاتالوگ مرجع و نگاه متخصص، اشاره ای فرهنگی-زمانی مانند «این قطعه محصول یونان شرقی قرن ششم قبل از میلاد است» داشت. هوش مصنوعی یک دستیار پیش مرتبسازی و اندازهگیری است، نه یک مرجع تایپولوژی.
مراحل یافتن طبقه بندی
1. ضبط بصری. هر یافته به ترتیب استاندارد، با نوار مقیاس (حرک نشان دهنده اندازه) و کارت رنگی عکس گرفته می شود. نور و پس زمینه ثابت برای تجزیه و تحلیل تصویر هوش مصنوعی بسیار مهم است. عکس بد یعنی طبقه بندی بد.
2. استخراج ویژگی. هوش مصنوعی این ویژگی های قابل اندازه گیری مانند مشخصات لبه، فرم (رینگ، پایین، دسته)، عملیات سطح (جلیقه، شیشه، رنگ)، رنگ خمیر و بافت را استخراج می کند. خمیر (شکل پخته شده خاک رس؛ رنگ و مواد افزودنی آن نشان دهنده مکان و تکنیک تولید است) ستون فقرات گونه شناسی باستان شناسی است.
3. پیش گروه بندی. هوش مصنوعی هزاران قسمت را بر اساس شباهت بصری به خوشههایی دستهبندی میکند: «ظرف محتمل یکسان»، «شکل مشابه»، «خمیر مشابه». این انبوهی منظم را در مقابل متخصص قرار می دهد.
4. انتساب کارشناس. کارشناس دوره، محل تولید و عملکرد را از طریق کاتالوگ های مرجع، سری های نوع و تجربه خود به هر گروه نسبت می دهد. هوش مصنوعی که می گوید "این دوره روم است" یک اشاره است، نه یک تصمیم.
5. ثبت نام. هر یافته با شماره زمینه، اندازهگیریها، عکس و انتساب وارد پایگاه داده میشود (این موضوع واحد 5 است).
نکته: از هوش مصنوعی بخواهید که یک یافته را "توصیف" کند، نه "توصیف" آن. "این چه دورانی است؟" در عوض بپرسید "به طور عینی ویژگی های قابل اندازه گیری (فرم، لبه، سطح، رنگ) این قسمت را فهرست کنید. شما برای دوره با کاتالوگ مرجع تصمیم می گیرید. توضیحات قابل اعتماد است، انتساب مخاطره آمیز است.
باید به سکه ها و کتیبه ها توجه ویژه ای شود.
سکه ها در تجزیه و تحلیل تصویر جذاب هستند زیرا متعدد و استاندارد هستند. هوش مصنوعی می تواند به تشخیص پرتره روی صورت سکه (averse) و نماد پشت آن (معکوس) کمک کند. اما شناسایی سکه نیاز به تخصص سکهشناسی دارد: چه یک کتیبه فرسوده، یک ضربنگار تقلبی یا یک نوع نادر، نسبت دادن نادرست بسیار آشکار است. هوش مصنوعی که می گوید «این سکه آن امپراتور است» قطعاً توسط یک کاتالوگ سکه استاندارد تأیید می شود. همین امر در مورد یافته های کتیبه دار و مهر شده نیز صدق می کند.
احتیاط: هوش مصنوعی تمایل دارد یافتهای را که شبیه یک نوع معروف است با آن نوع معروف «تطبیق» کند. نمونه های نادر، محلی یا غیر معمول را به آشناترین الگوها وادار می کند. در بهترین حالت نسبت به اولین اشاره به هوش مصنوعی در یک یافته غیرعادی شک داشته باشید.
سه کیف کوچک
مورد 1 - پیش مرتب سازی بار را کاهش داد. 8400 قطعه سرامیک در یک سکونتگاه عصر آهن کشف شد. گروهبندی بصری هوش مصنوعی قطعات را به تقریباً 40 خوشه قبلی تقسیم کرد. به جای حذف هر قطعه از ابتدا، کارشناس خوشه ها را مرور کرد و زمان مرتب سازی حدود یک سوم کاهش یافت. کارشناس دو دسته مختلف از خمیر را که هوش مصنوعی به اشتباه ترکیب کرده بود جدا کرد.
مورد 2 - اسناد نادرست کشف شد. یک کارآموز یک سکه به هوش مصنوعی معرفی کرد. هوش مصنوعی با اطمینان آن را به یک نوع معروف رومی نسبت داد. وقتی کارشناس سکه شناسی آن را با کاتالوگ مقایسه کرد، مشاهده کرد که ترتیب نماد و افسانه معکوس (نوشتن روی سکه) متفاوت است و این یک ضرب بندی تقلیدی منطقه ای است. هوش مصنوعی آشناترین نوع را مجبور کرده بود.
مورد 3 - مشکل ناسازگاری رنگ. یک تیم عکس های هوش مصنوعی گرفته شده در روزهای مختلف را با نور متفاوت تغذیه کرد. رنگ خمیر ناهماهنگ بود و گروه بندی شکسته شد. هنگامی که تیم به کارت رنگی و طرح نور ثابت تغییر داد، دقت گروه بندی به طور قابل توجهی افزایش یافت. درس: کیفیت تصویر کیفیت طبقه بندی است.
چهار قالب قابل کپی
1) توصیف خنثی:
نقش شما: دستیار توضیحات پیدا شد. من به شما یک عکس/داده پیدا می کنم. فقط ویژگیهای قابل مشاهده را به صورت عینی فهرست کنید: فرم (دهان/پایین/بدنه/دسته)، اندازه تخمینی، پوشش سطح، رنگ، دکوراسیون، شکستگی/شرایط سایش. به یک دوره، فرهنگ یا محل تولید اشاره نکنید. اگر در مورد ویژگی مطمئن نیستید، "نامشخص" را بنویسید.
2) پیش گروه بندی:
در زیر من داده های توضیحات [N] قسمت را جایگذاری می کنم. آنها را با توجه به شکل و شباهت خمیر به گروه ها تقسیم کنید. برای هر گروه: ویژگی های مشترک، شماره قسمت هایی که در گروه قرار می گیرند، و معیارهایی که گروه را به هم متصل می کند، بنویسید. هر قسمتی را که نامشخص باقی می ماند را در یک لیست جداگانه "برای بررسی" قرار دهید. نام نوع دقیقی ندهید.
3) تولید چک لیست برای استناد:
نقش شما: مشاور متخصص سرامیک. برای گروه زیر، معیارهایی را که باید هنگام تأیید دوره/مورد تولید بررسی کنم (تحلیل خمیر، کاتالوگ مرجع، یافتن موازی، تاریخ زمینه و غیره) فهرست کنید. مرجع را انجام ندهید؛ بگو چی رو چک کنم
4) بازرسی کیفیت عکس:
عکسهای یافت شده زیر را ارزیابی کنید: آیا نوار مقیاس وجود دارد، آیا نور ثابت است، آیا کارت رنگ قابل مشاهده است، آیا پسزمینه ساده است، آیا قطعه واضح است؟ کدام عکس ها برای طبقه بندی باید دوباره گرفته شوند؟ لیست مشکلات مربوط به شماره قطعه
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
این قطعه سفال مربوط به چه تمدنی بوده، قدمت آن چند بوده و برای چه استفاده می شده است؟
هوش مصنوعی تمدن دقیق، سن دقیق و عملکرد دقیق را از یک عکس میسازد. همه بی اساس و مطمئن هستند.
اعلان قدرتمند:
نقش شما: دستیار توضیحات پیدا شد. فقط ویژگیهای قابل مشاهده قطعه را در عکس شرح دهید: قسمت فرم (دهان/پایین؟)، سطح (لعاب/بدون لعاب، براق؟)، رنگ، تزئین، ضخامت تخمینی. سپس، بر اساس این توضیحات، به من بگویید چه داده های اضافی (تجزیه و تحلیل خمیر، ترسیم نمایه، زمینه) برای روشن شدن عملکرد و دوره لازم است. ارجاع دقیق تمدن/عصر انجام ندهید.
تفاوت: اولی نیاز به تصمیم دارد و مناسب است. مورد دوم به شرح و یک نقشه راه قابل تأیید نیاز دارد.
فراتر از بصری: خمیر، زمینه و مشخصات
یک مشکل در تجزیه و تحلیل تصویر هوش مصنوعی این است که فقط به ظاهر سطح نگاه می کند. با این حال، ستون فقرات گونه شناسی باستان شناسی اغلب با چشم غیرمسلح نامرئی است. خمیر (حالت پخته شده خاک رس، مواد افزودنی آن و بافت آن در قسمت شکسته) نشان می دهد که کجا و چگونه ظرف تولید شده و از کدام منبع رسی استفاده شده است. اگرچه دو تکه از نظر ظاهری شبیه هم هستند، اما اگر خمیر آنها متفاوت باشد، ممکن است متعلق به سنت های مختلف تولید باشد. بنابراین، یک طبقه بندی جدی مستلزم عکاسی از بخش شکسته قطعه است.
به همین ترتیب، نمایه (نقاشی مقیاس بخش کناری-پایین یک ظرف) فرم را بسیار دقیق تر از یک عکس منفرد تعریف می کند. زاویه دهان، ضخامت لبه و شکل پایین شاخص های دوره هستند. هوش مصنوعی می تواند به استخراج خودکار طراحی نمایه و گروه بندی پروفایل های مشابه کمک کند، اما متخصص ترسیم و اندازه گیری را تأیید می کند. در نهایت، زمینه (که قطعه در کدام لایه پیدا شد، با چه چیزی) یک سرنخ قوی قدمت مستقل از شباهت بصری است: قطعات در یک بافت بسته یکسان اغلب مربوط به همان دوره هستند. اگر فقط عکس را به هوش مصنوعی بدهید و از بافت، نمایه و زمینه بگذرید، با ارزش ترین شواهد خود را نادیده می گیرید.
نکته: هنگام دادن یک مصنوع به هوش مصنوعی، در صورت امکان سه نمای ارائه دهید: سطح بیرونی، سطح داخلی و بخش شکسته. همچنین شماره زمینه و اندازهگیریهای نمایه را نیز درج کنید. داده های بی طرفانه تر به معنای گروه بندی قابل اعتمادتر است.
جدول استفاده از هوش مصنوعی بر اساس نوع پیدا کردن
نوع پیدا کردن
هوش مصنوعی قدرتمند است
تجارت پرخطر/انسانی
تایید اجباری
سرامیک
پیش گروه بندی فرم/خمیر
دوره، محل تولید مرجع
کاتالوگ مرجع، آنالیز خمیر
سکه
پیش تشخیص چهره/آیکون
انتساب، تقلید/تشخیص نادر
کاتالوگ سکه، کارشناس
سنگی (ابزار سنگی)
اندازه گیری نوع و اندازه
عملکرد، بررسی فناوری
تجزیه و تحلیل استفاده – سایش
شیشه / فلز
رنگ، فرم قبل از جداسازی
ترکیب، گاهشماری
تجزیه و تحلیل آزمایشگاهی
پیدا کردن کوچک
مطابقت عکس موجودی
عملکرد، تفسیر اهمیت
زمینه، مثال موازی
اشتباهات رایج
- درخواست مراجع به جای توضیحات از هوش مصنوعی بپرسید که «چه شکلی است»، نه «آنچه هست». تصمیم خود را با کاتالوگ بگیرید.
- طبقه بندی با عکس بد بدون مقیاس، نور و کارت رنگی خروجی غیر قابل اعتماد است.
- پذیرش اولین اشاره هوش مصنوعی به یافته نادر. هوش مصنوعی الگوی غیر معمول را به آشناترین الگو وادار می کند.
- پرش از دادههای چسباندن/زمینه. شباهت بصری به تنهایی گمراه کننده است. خمیر و زمینه تعیین کننده است.
- اشتباه گرفتن گروه بندی اولیه برای گونه شناسی قطعی. گروه بندی یک شروع است. تایپولوژی یک کار کارشناسی و مرجع است.
به طور خلاصه
هوش مصنوعی در طبقه بندی یافت. این باعث صرفه جویی در وقت جدی در شرح بصری، استخراج ویژگی و وظایف گروه بندی اولیه می شود. اما اسناد فرهنگی- زمانی، تقلید/تشخیص نادر و تفسیر کارکردی متعلق به کاتالوگ های خبره و مرجع است. به هوش مصنوعی بگویید «توصیف» نه «توصیف»؛ استاندارد کردن کیفیت عکس؛ هر انتساب را با منابع مستقل تأیید کنید. در موارد نادر، نسبت به اولین پاسخ هوش مصنوعی بدبین باشید.
وظیفه کاربردی
10 تصویر یافت شده را که دارید (یا از یک کاتالوگ انتخاب کنید) در قالب استاندارد آماده کنید. هر کدام را با الگوی "توضیحات خنثی" توصیف کنید، سپس آنها را با الگوی "پیش گروه بندی" گروه بندی کنید. سپس یک گروه را با یک کاتالوگ مرجع واقعی مقایسه کنید و توجه داشته باشید که گروهبندی هوش مصنوعی کجا بوده و کجا اشتباه بوده است.
چک لیست
- [ ] من عکس ها را با یک کارت مقیاس، نور و رنگ استاندارد کردم.
- [ ] من توصیف خنثی از هوش مصنوعی می خواستم، نه انتساب.
- [ ] من گروه بندی اولیه را با چشم متخصص و کاتالوگ مرجع بررسی کردم.
- [ ] من انتساب اولیه هوش مصنوعی در یافته های نادر/غیر معمولی را زیر سوال بردم.
- [ ] من هر مرجع فرهنگی - زمانی را با منابع مستقل تأیید کرده ام.