વર્ગીકરણ અને છબી વિશ્લેષણ શોધો: સિરામિક્સ, સિક્કા, લિથિક્સ અને નાના શોધો

નફો:

• નિષ્પક્ષ વર્ણનમાં કૃત્રિમ બુદ્ધિમત્તાનો ઉપયોગ અને શોધના દ્રશ્ય પ્રારંભિક જૂથમાં, અને સંદર્ભ સૂચિ સાથે નિષ્ણાતના કાર્યમાંથી સાંસ્કૃતિક-કાલક્રમિક સંદર્ભને અલગ પાડવામાં સક્ષમ બનવું.
• ફોટો ગુણવત્તા (સ્કેલ, લાઇટ, કલર કાર્ડ) અને મેટાવિઝ્યુઅલ ડેટા જેમ કે ટેક્સચર, પ્રોફાઇલ, સંદર્ભ વર્ગીકરણની ચોકસાઈ કેવી રીતે નક્કી કરે છે તે સમજવાની ક્ષમતા.
• દુર્લભ અને અસામાન્ય શોધોમાં સૌથી વધુ પરિચિત પેટર્નને દબાણ કરવા માટે કૃત્રિમ બુદ્ધિના વલણને ઓળખવાની ક્ષમતા અને સ્વતંત્ર સ્ત્રોત સાથે દરેક એટ્રિબ્યુશનની પુષ્ટિ કરવાની ક્ષમતા

ખોદકામના સૌથી કંટાળાજનક છતાં માહિતીપ્રદ કાર્યોમાંનું એક છે વર્ગીકરણ (મળેલી વસ્તુઓને પ્રકાર, સ્વરૂપ અને સમયગાળા અનુસાર અલગ કરવી). સિરામિકના હજારો ટુકડાઓ, સેંકડો સિક્કાઓ, પથ્થરનાં સાધનો (લિથિક), હાડકાં, કાચ અને ધાતુની વસ્તુઓ એક સિઝનમાં શોધી કાઢવામાં આવે છે અને એક પછી એક રેકોર્ડ કરવી આવશ્યક છે. આ એકમમાં, આપણે શીખીશું કે કેવી રીતે ઇમેજ વિશ્લેષણ (ઑબ્જેક્ટના ફોટોગ્રાફમાંથી આકાર, રંગ, ટેક્સચર જેવી સુવિધાઓ આપમેળે કાઢવા) અને AI-આધારિત વર્ગીકરણ શોધ કાર્યને ઝડપી બનાવે છે, પરંતુ શા માટે અંતિમ એટ્રિબ્યુશન નિર્ણય હંમેશા નિષ્ણાત પાસે રહે છે.

મૂળભૂત સિદ્ધાંત આ છે: AI ઝડપથી સમાન દેખાતા લોકોને એકસાથે જૂથ બનાવે છે; પરંતુ સંદર્ભ સૂચિ અને નિષ્ણાત આંખના આધારે કોઈ સાંસ્કૃતિક-કાલક્રમિક સંદર્ભ આપી શકે છે જેમ કે "આ ભાગ 6ઠ્ઠી સદી બીસીનું પૂર્વીય ગ્રીક ઉત્પાદન છે" AI એ પ્રી-સૉર્ટિંગ અને મેઝરિંગ આસિસ્ટન્ટ છે, ટાઇપોલોજી ઓથોરિટી નથી.

વર્ગીકરણ શોધવાના પગલાં

1. વિઝ્યુઅલ કેપ્ચર. દરેક શોધને પ્રમાણભૂત ક્રમમાં ફોટોગ્રાફ કરવામાં આવે છે, જેમાં સ્કેલ બાર (શાસક કદ દર્શાવે છે) અને રંગ કાર્ડ સાથે. AI ઇમેજ વિશ્લેષણ માટે સુસંગત પ્રકાશ અને પૃષ્ઠભૂમિ મહત્વપૂર્ણ છે; ખરાબ ફોટો એટલે ખરાબ વર્ગીકરણ.

2. લક્ષણ નિષ્કર્ષણ. AI; તે માપી શકાય તેવી વિશેષતાઓ જેમ કે ધાર પ્રોફાઇલ, ફોર્મ (રિમ, બોટમ, હેન્ડલ), સરફેસ ટ્રીટમેન્ટ (પોલિશિંગ, ગ્લાસ, પેઇન્ટ), પેસ્ટ કલર અને ટેક્સચરને બહાર કાઢે છે. કણક (માટીનું પકવેલું સ્વરૂપ; તેનો રંગ અને ઉમેરણો ઉત્પાદનની જગ્યા અને તકનીક સૂચવે છે) પુરાતત્વીય ટાઇપોલોજીનો આધાર છે.

3. પૂર્વ-જૂથીકરણ. AI દ્રશ્ય સમાનતાના આધારે હજારો ભાગોને ક્લસ્ટરોમાં વર્ગીકૃત કરે છે: "સંભવિત સમાન કન્ટેનર," "સમાન સ્વરૂપ," "સમાન કણક." આ નિષ્ણાતની સામે વ્યવસ્થિત થાંભલાઓ મૂકે છે.

4. નિષ્ણાત એટ્રિબ્યુશન. નિષ્ણાત સંદર્ભ સૂચિ, પ્રકાર શ્રેણી અને તેના પોતાના અનુભવ દ્વારા દરેક જૂથને સમયગાળો, ઉત્પાદનનું સ્થાન અને કાર્યનું શ્રેય આપે છે. એઆઈ કહે છે કે "આ રોમન સમયગાળો છે" એ સંકેત છે, નિર્ણય નથી.

5. નોંધણી. દરેક શોધ તેના સંદર્ભ નંબર, માપ, ફોટોગ્રાફ અને એટ્રિબ્યુશન સાથે ડેટાબેઝમાં પ્રવેશ કરે છે (આ એકમ 5 નો વિષય છે).

સંકેત: AI પાસે શોધનું "વર્ણન" કરો, તેનું "વર્ણન" ન કરો. "આ કયો યુગ છે?" તેના બદલે "આ ભાગના માપી શકાય તેવા લક્ષણો (ફોર્મ, ધાર, સપાટી, રંગ) ને ઉદ્દેશ્યપૂર્વક સૂચિબદ્ધ કરો" પૂછો; તમે સંદર્ભ સૂચિ સાથે સમયગાળા માટે નક્કી કરો. વર્ણન વિશ્વસનીય છે, એટ્રિબ્યુશન જોખમી છે.

સિક્કા અને શિલાલેખો પર ખાસ ધ્યાન આપવું જોઈએ.

સિક્કાઓ છબી વિશ્લેષણમાં આકર્ષક છે કારણ કે તે સંખ્યાબંધ અને પ્રમાણિત છે. AI સિક્કાના ચહેરા પરના પોટ્રેટને ઓળખવામાં મદદ કરી શકે છે (વિપરિત) અને તેના રિવર્સ (વિપરીત) પરનું પ્રતીક. પરંતુ સિક્કાની ઓળખ માટે અંકશાસ્ત્રીય કુશળતાની જરૂર છે: ભલે પહેરવામાં આવેલ શિલાલેખ હોય, નકલી મિન્ટેજ હોય ​​અથવા દુર્લભ પ્રકાર હોય, ખોટી એટ્રિબ્યુશન ખૂબ જ સ્પષ્ટ છે. AI કહે છે કે "આ તે સમ્રાટનો સિક્કો છે" પ્રમાણભૂત સિક્કાની સૂચિ દ્વારા ચોક્કસપણે પુષ્ટિ મળે છે. આ જ અંકિત અને સ્ટેમ્પ્ડ શોધ પર લાગુ પડે છે.

સાવધાની: AI એ શોધને "મેળ" કરવા માટે વલણ ધરાવે છે જે પ્રખ્યાત પ્રકારને તે પ્રસિદ્ધ પ્રકાર જેવું લાગે છે; તે દુર્લભ, સ્થાનિક અથવા અસાધારણ ઉદાહરણોને સૌથી વધુ પરિચિત પેટર્નમાં દબાણ કરે છે. અસામાન્ય શોધમાં AI ના પ્રથમ સંદર્ભ વિશે શ્રેષ્ઠ રીતે શંકાશીલ બનો.

ત્રણ નાના કેસો

કેસ 1 — પ્રી-સૉર્ટિંગથી ભાર ઓછો થયો. આયર્ન એજ વસાહતમાં 8,400 સિરામિક શૉર્ડ શોધી કાઢવામાં આવ્યા હતા. AI વિઝ્યુઅલ ગ્રૂપિંગે ભાગોને લગભગ 40 ફોર્મ પહેલાના ક્લસ્ટરોમાં વિભાજિત કર્યા; દરેક ભાગને શરૂઆતથી દૂર કરવાને બદલે, નિષ્ણાત ક્લસ્ટરોમાંથી પસાર થયો, અને સૉર્ટિંગનો સમય લગભગ ત્રીજા ભાગનો ઘટાડો થયો. નિષ્ણાતે કણકના બે અલગ-અલગ બૅચને અલગ કર્યા જે AI એ ખોટી રીતે ભેગા કર્યા હતા.

કેસ 2 — ખોટા એટ્રિબ્યુશન પકડાયા. એક ઇન્ટર્નએ AI માટે સિક્કો રજૂ કર્યો; એઆઈએ વિશ્વાસપૂર્વક તેને જાણીતા રોમન પ્રકારને આભારી છે. જ્યારે સિક્કાના નિષ્ણાતે સૂચિ સાથે તેની સરખામણી કરી, ત્યારે તેણે જોયું કે વિપરીત પ્રતીક અને દંતકથા (સિક્કા પર લખવાનો) ક્રમ અલગ છે અને આ એક પ્રાદેશિક અનુકરણ મિન્ટેજ છે. એઆઈએ સૌથી પરિચિત પ્રકારને ફરજ પાડી હતી.

કેસ 3 - રંગની અસંગતતાની સમસ્યા. એક ટીમે જુદા જુદા દિવસોમાં લીધેલા AI ફોટાને અલગ અલગ પ્રકાશમાં ખવડાવ્યા; કણકના રંગો અસંગત હતા અને જૂથ તૂટી ગયું હતું. જ્યારે ટીમ રંગ કાર્ડ અને સતત પ્રકાશ યોજના પર સ્વિચ કરે છે, ત્યારે જૂથની ચોકસાઈ નોંધપાત્ર રીતે વધી છે. પાઠ: છબી ગુણવત્તા વર્ગીકરણ ગુણવત્તા છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) તટસ્થ વર્ણન:

તમારી ભૂમિકા: વર્ણન સહાયક મળ્યો. હું તમને ફોટો/ડેટા શોધી આપીશ. માત્ર અવલોકનક્ષમ લક્ષણોની નિરપેક્ષપણે સૂચિ બનાવો: ફોર્મ (મોં/બોટમ/બોડી/હેન્ડલ), અંદાજિત કદ, સપાટીની પૂર્ણાહુતિ, રંગ, શણગાર, તૂટવા/વહેવાની સ્થિતિ. સમયગાળા, સંસ્કૃતિ અથવા ઉત્પાદનના સ્થાનનો સંદર્ભ આપશો નહીં. જો તમને સુવિધા વિશે ખાતરી ન હોય, તો "અનિશ્ચિત" લખો.

2) પૂર્વ-જૂથીકરણ:

નીચે હું [N] ભાગોના વર્ણન ડેટાને પેસ્ટ કરીશ. ફોર્મ અને કણકની સમાનતા અનુસાર તેમને જૂથોમાં વિભાજીત કરો. દરેક જૂથ માટે: સામાન્ય લક્ષણો, જૂથમાં આવતા ભાગ નંબરો અને જૂથને જોડતા માપદંડો લખો. અસ્પષ્ટ રહે તેવા કોઈપણ ભાગોને અલગ "રીવ્યુ કરવા માટે" સૂચિમાં મૂકો. ચોક્કસ પ્રકારનું નામ આપશો નહીં.

3) અવતરણ માટે ચેકલિસ્ટ ઉત્પાદન:

તમારી ભૂમિકા: સિરામિક્સ નિષ્ણાત સલાહકાર. નીચેના જૂથ માટે, સમયગાળો/ઉત્પાદન આઇટમ (કણકનું વિશ્લેષણ, સંદર્ભ સૂચિ, સમાંતર શોધ, સંદર્ભ તારીખ, વગેરે) ચકાસતી વખતે મારે જે માપદંડોની તપાસ કરવાની જરૂર છે તેની સૂચિ બનાવો. સંદર્ભ ન બનાવો; મને કહો કે મારે શું તપાસવું જોઈએ.

4) ફોટો ગુણવત્તા નિરીક્ષણ:

નીચેના મળેલા ફોટાઓનું મૂલ્યાંકન કરો: શું ત્યાં સ્કેલ બાર છે, શું પ્રકાશ સુસંગત છે, શું રંગ કાર્ડ દૃશ્યમાન છે, શું પૃષ્ઠભૂમિ સાદા છે, શું ભાગ સ્પષ્ટ છે? વર્ગીકરણ માટે કયા ફોટા ફરીથી લેવા જોઈએ? ભાગ નંબર સાથે સમસ્યાઓની સૂચિ બનાવો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ માટીકામનો ટુકડો કઈ સભ્યતાનો હતો, તે કેટલો જૂનો હતો અને તેનો ઉપયોગ શેના માટે થતો હતો?

AI એક જ ફોટોગ્રાફમાંથી ચોક્કસ સભ્યતા, ચોક્કસ વય અને સચોટ કાર્ય કરે છે; બધા આધારહીન અને આત્મવિશ્વાસુ છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: વર્ણન સહાયક મળ્યો. ફોટોગ્રાફમાં ભાગની માત્ર અવલોકનક્ષમ વિશેષતાઓનું વર્ણન કરો: ફોર્મનો ભાગ (મોં/તળિયે?), સપાટી (ચમકદાર/અનગ્લાઝ્ડ, બર્નિશ્ડ?), રંગ, શણગાર, અંદાજિત જાડાઈ. પછી, આ વર્ણનના આધારે, મને કહો કે કાર્ય અને સમયગાળાને સ્પષ્ટ કરવા માટે કયા વધારાના ડેટા (કણકનું વિશ્લેષણ, પ્રોફાઇલ ચિત્ર, સંદર્ભ) જરૂરી છે. ચોક્કસ સભ્યતા/વય સંદર્ભ ન બનાવો.

તફાવત: પ્રથમ નિર્ણયની જરૂર છે અને ફિટિંગ મેળવે છે; બીજા માટે વર્ણન અને ચકાસી શકાય તેવા માર્ગ નકશાની જરૂર છે.

દ્રશ્યની બહાર: કણક, સંદર્ભ અને પ્રોફાઇલ

AI ઇમેજ વિશ્લેષણમાં એક મુશ્કેલી એ છે કે તે માત્ર સપાટીના દેખાવને જ જુએ છે. જો કે, પુરાતત્વીય ટાઇપોલોજીની કરોડરજ્જુ ઘણીવાર નરી આંખે અદ્રશ્ય હોય છે. કણક (માટીની પકાવેલી સ્થિતિ, તેના ઉમેરણો અને તૂટેલા વિભાગમાં તેની રચના) દર્શાવે છે કે વાસણ ક્યાં અને કેવી રીતે બનાવવામાં આવ્યું હતું અને માટીના કયા સ્ત્રોતનો ઉપયોગ કરવામાં આવ્યો હતો; સપાટી પર બે ટુકડા સમાન હોવા છતાં, જો તેમની કણક અલગ હોય, તો તે વિવિધ ઉત્પાદન પરંપરાઓથી સંબંધિત હોઈ શકે છે. તેથી, ગંભીર વર્ગીકરણ માટે ટુકડાના તૂટેલા વિભાગને ફોટોગ્રાફ કરવાની જરૂર છે.

તેવી જ રીતે, રૂપરેખા (વહાણના સાઇડ-બોડી-બોટમ સેક્શનનું સ્કેલ ડ્રોઇંગ) એક ફોટોગ્રાફ કરતાં ફોર્મને વધુ ચોક્કસ રીતે વ્યાખ્યાયિત કરે છે; મોંનો કોણ, ધારની જાડાઈ અને નીચેનો આકાર એ સમયગાળાના સૂચક છે. AI આપમેળે પ્રોફાઇલ ડ્રોઇંગને બહાર કાઢવામાં અને સમાન પ્રોફાઇલને જૂથ કરવામાં મદદ કરી શકે છે, પરંતુ નિષ્ણાત ડ્રોઇંગ અને માપની ચકાસણી કરે છે. છેલ્લે, સંદર્ભ (કયા સ્તરમાં ભાગ મળ્યો હતો, શું સાથે) એ એક મજબૂત ડેટિંગ સંકેત છે જે દ્રશ્ય સમાનતાથી સ્વતંત્ર છે: સમાન બંધ સંદર્ભમાં ટુકડાઓ ઘણીવાર સમાન સમયગાળાના હોય છે. જો તમે AI ને માત્ર ફોટો આપો અને ટેક્સચર, પ્રોફાઇલ અને સંદર્ભને છોડી દો, તો તમે તમારા સૌથી મૂલ્યવાન પુરાવાને અવગણી રહ્યા છો.

ટીપ: AI ને આર્ટિફેક્ટ આપતી વખતે, જો શક્ય હોય તો ત્રણ દૃશ્યો પ્રદાન કરો: બાહ્ય સપાટી, આંતરિક સપાટી અને તૂટેલા વિભાગ. સંદર્ભ નંબર અને કોઈપણ પ્રોફાઇલ માપનો પણ સમાવેશ કરો. વધુ નિષ્પક્ષ ડેટા એટલે વધુ વિશ્વસનીય જૂથ.

શોધ પ્રકાર દ્વારા AI વપરાશ કોષ્ટક

શોધવાનો પ્રકાર

AI શક્તિશાળી છે

જોખમી/માનવ વ્યવસાય

ફરજિયાત ચકાસણી

સિરામિક્સ

ફોર્મ/કણક પ્રી-ગ્રૂપિંગ

સમયગાળો, ઉત્પાદન સંદર્ભનું સ્થળ

સંદર્ભ સૂચિ, કણક વિશ્લેષણ

સિક્કો

ચહેરો/આયકન પૂર્વ-ઓળખ

એટ્રિબ્યુશન, અનુકરણ/દુર્લભ શોધ

સિક્કો સૂચિ, નિષ્ણાત

લિથિક (પથ્થરનું સાધન)

પ્રકાર અને કદ માપન

કાર્ય, તકનીકી સમીક્ષા

ઉપયોગ-વસ્ત્ર વિશ્લેષણ

કાચ/ધાતુ

રંગ, ફોર્મ પૂર્વ-વિભાજન

રચના, ઘટનાક્રમ

લેબોરેટરી વિશ્લેષણ

થોડી શોધ

ઈન્વેન્ટરી ફોટો મેચિંગ

કાર્ય, મહત્વ અર્થઘટન

સંદર્ભ, સમાંતર ઉદાહરણ

સામાન્ય ભૂલો

• વર્ણનોને બદલે સંદર્ભો માટે પૂછવું. AI ને પૂછો કે “તે કેવું દેખાય છે,” નહિ કે “તે શું છે”; કેટલોગ સાથે તમારો નિર્ણય લો.
• ખરાબ ફોટા સાથે વર્ગીકરણ. સ્કેલ, લાઇટ અને કલર કાર્ડ વિના આઉટપુટ અવિશ્વસનીય છે.
• દુર્લભ શોધ માટે AI ના પ્રથમ સંદર્ભને સ્વીકારવું. AI એટીપિકલ પેટર્નને સૌથી વધુ પરિચિત પેટર્નમાં દબાણ કરે છે.
• પેસ્ટ/સંદર્ભ ડેટા છોડી દેવા. માત્ર દ્રશ્ય સમાનતા ભ્રામક છે; કણક અને સંદર્ભ નિર્ણાયક છે.
• ચોક્કસ ટાઇપોલોજી માટે પ્રારંભિક જૂથમાં ભૂલ કરવી. જૂથ એક શરૂઆત છે; ટાઇપોલોજી એ નિષ્ણાત અને સંદર્ભ કાર્ય છે.

સારાંશમાં

વર્ગીકરણમાં AI; તે દ્રશ્ય વર્ણન, વિશેષતા નિષ્કર્ષણ અને પ્રારંભિક જૂથીકરણ કાર્યોમાં ગંભીર સમય બચાવે છે. પરંતુ સાંસ્કૃતિક-કાલક્રમિક એટ્રિબ્યુશન, અનુકરણ/દુર્લભ શોધ અને કાર્યાત્મક અર્થઘટન નિષ્ણાત અને સંદર્ભ સૂચિની છે. AI ને કહો “વર્ણન” નહિ “વર્ણન”; ફોટો ગુણવત્તાને પ્રમાણિત કરો; સ્વતંત્ર સ્ત્રોતો સાથે દરેક એટ્રિબ્યુશનને ચકાસો; દુર્લભ શોધમાં, AI ના પ્રથમ જવાબ વિશે સૌથી વધુ શંકાશીલ બનો.

એપ્લિકેશન કાર્ય

તમારી પાસે 10 મળી આવેલી છબીઓ (અથવા સૂચિમાંથી પસંદ કરો) પ્રમાણભૂત ફોર્મેટમાં તૈયાર કરો. "તટસ્થ વર્ણન" નમૂના સાથે દરેકનું વર્ણન કરો, પછી તેમને "પ્રી-ગ્રુપિંગ" નમૂના સાથે જૂથ બનાવો. પછી જૂથને વાસ્તવિક સંદર્ભ સૂચિ સાથે સરખાવો અને નોંધ કરો કે એઆઈનું જૂથ ક્યાં સ્થાન પર હતું અને તે ક્યાં ખોટું હતું.

ચેકલિસ્ટ

• [ ] મેં ફોટાને સ્કેલ, લાઇટ અને કલર કાર્ડ વડે પ્રમાણિત કર્યા છે.
• [ ] મને AI તરફથી તટસ્થ વર્ણન જોઈએ છે, એટ્રિબ્યુશન નહીં.
• [ ] મેં નિષ્ણાત આંખ અને સંદર્ભ સૂચિ સાથે પ્રારંભિક જૂથ તપાસ્યું.
• [ ] મેં દુર્લભ/એટીપિકલ શોધમાં AI ના પ્રારંભિક એટ્રિબ્યુશન પર પ્રશ્ન કર્યો.
• [ ] મેં સ્વતંત્ર સ્ત્રોતો સાથે દરેક સાંસ્કૃતિક-કાલક્રમિક સંદર્ભની ચકાસણી કરી છે.