利益:
- 人工知能を使用して、発見物の公平な説明と視覚的な予備グループ化を行い、文化的年代順の参照を参照カタログを使用した専門家の作業から区別できるようにします。
- 写真の品質 (スケール、光、カラーカード) とテクスチャ、プロファイル、コンテキストなどのメタビジュアル データが分類精度をどのように決定するかを理解する能力。
- まれで非典型的な発見物に最もよく知られたパターンを強制する人工知能の傾向を認識し、それぞれの帰属を独立した情報源で確認する能力
発掘作業の中で最も骨が折れるが有益な作業の 1 つは、発掘分類 (発見された物体を種類、形式、年代に応じて分類すること) です。ある季節に発掘された数万点の陶磁器片、数百点の硬貨、石器（石器）、骨、ガラス、金属製品を一つ一つ調べて記録しなければなりません。この単元では、画像分析 (物体の写真から形状、色、質感などの特徴を自動的に抽出する) と AI ベースの分類がどのようにして発見作業を高速化するのかを学びますが、なぜ最終的な帰属の決定が常に専門家に委ねられるのかを学びます。
基本原則は次のとおりです。AI は、似ているものをすばやくグループ化します。しかし、参考カタログと専門家の目に基づいて、「この作品は紀元前 6 世紀の東ギリシャの作品である」などの文化年代学的参照を行うことはできます。 AI は事前の分類と測定のアシスタントであり、類型学の権威ではありません。
分類を見つける手順
1. 視覚的なキャプチャ。それぞれの発見物は標準的な順序で撮影され、スケールバー (サイズを示す定規) とカラーカードが付けられます。 AI 画像分析には、一貫した光と背景が重要です。写真が悪いということは分類が悪いということです。
2. 特徴抽出。 AI;エッジの形状、形状（リム、底部、ハンドル）、表面処理（研磨、ガラス、塗装）、ペーストの色、質感などの測定可能な特徴を抽出します。生地（粘土を焼いたもの。その色と添加物は生産の場所と技術を示します）は考古学的類型学のバックボーンです。
3. 事前グループ化。 AI は、「おそらく同じ容器」、「類似した形状」、「類似した生地」などの視覚的な類似性に基づいて、数千の部品をクラスターに分類します。これにより、専門家の前に整然とした山が置かれます。
4. 専門家の帰属。専門家は、参考カタログ、タイプ シリーズ、および彼自身の経験を通じて、時代、生産地、および機能を各グループに帰属させます。 AIが「ここはローマ時代だ」と言うのはヒントであり、決定ではありません。
5. 登録。それぞれの発見物は、そのコンテキスト番号、測定値、写真、帰属とともにデータベースに入力されます (これはユニット 5 の主題です)。
ヒント: AI に、検索結果を「説明」するのではなく、「説明」させます。 「これはいつの時代ですか？」代わりに、「この部品の測定可能な特徴 (形状、エッジ、表面、色) を客観的に列挙してください」と尋ねます。期間は参考カタログで決めていただきます。説明は信頼できますが、帰属は危険です。
コインと碑文には特に注意を払う必要があります。
コインは多数存在し、標準化されているため、画像分析において魅力的です。 AI は、コインの表面 (averse) の肖像画と裏面 (reverse) のシンボルを認識するのに役立ちます。しかし、コインの識別には貨幣学の専門知識が必要です。摩耗した碑文、偽造鋳造品、または珍しい変種のいずれであっても、誤った識別はあまりにも明白です。 AIが「これはあの皇帝のコインだ」と言うのは、標準的なコインカタログで間違いなく確認されます。碑文および刻印された発見物にも同じことが当てはまります。
注意: AI は、有名なタイプに似ている検索結果をその有名なタイプに「照合」する傾向があります。まれな、局所的な、または非典型的な例を、最もよく知られたパターンに強制的に当てはめます。珍しい発見物における AI への最初の言及については、せいぜい懐疑的であるにすぎません。
ミニケース3個
ケース 1 — 事前仕分けにより負荷が軽減されました。鉄器時代の集落で8,400個の陶器の破片が発掘された。 AI による視覚的なグループ化により、パーツが以前のクラスターから約 40 個に分割されました。専門家は各ピースを最初から削除するのではなく、クラスターを調べた結果、選別時間が約 3 分の 1 に短縮されました。専門家は、AI が誤って組み合わせた生地の 2 つの異なるバッチを分離しました。
ケース 2 — 虚偽の帰属が判明しました。インターンが AI にコインを導入しました。 AIは自信を持って、それが有名なローマのタイプであると考えました。貨幣専門家がそれをカタログと比較したところ、逆のシンボルと凡例（コインの記載）の順序が異なっており、これが地域の模造鋳造であることが分かりました。 AIは最も馴染みのあるタイプを強制していました。
ケース 3 — 色の不一致の問題。あるチームは、異なる日に異なる光で撮影した写真を AI に供給しました。生地の色に一貫性がなく、グループ化が崩れていました。チームがカラーカードと定常光スキームに切り替えたところ、グループ化の精度が大幅に向上しました。教訓: 画質は分類の品質です。
コピー可能な 4 つのテンプレート
1) 中立的な説明:
あなたの役割: 説明アシスタントを見つけました。見つけた写真/データを差し上げます。形状（口/底/本体/ハンドル）、推定サイズ、表面仕上げ、色、装飾、破損/摩耗状態など、客観的に観察可能な特徴のみをリストします。時代、文化、生産地には言及しないでください。機能が不明な場合は「不明」と記入してください。
2) 事前グループ化:
以下に[N]個のパーツの説明データを貼り付けます。形状と生地の類似性に応じてグループに分けます。各グループについて: 共通の機能、グループに分類される部品番号、およびグループを接続する基準を書き込みます。不明瞭な部分は別の「レビュー対象」リストに入れてください。正確な型名を指定しないでください。
3) 引用のためのチェックリストの作成:
あなたの役割: セラミックス専門コンサルタント。次のグループについて、期間/生産アイテムを検証するときに確認する必要がある基準をリストします (生地の分析、参照カタログ、並行検索、文脈の日付など)。参照しないでください。何を確認すればよいのか教えてください。
4) 写真品質検査:
見つかった次の写真を評価します: スケール バーはあるか、光は均一か、カラー カードは表示されますか、背景は無地か、作品は透明ですか?分類のために撮り直す必要がある写真はどれですか?部品番号とともに問題をリストします。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
この土器はどの文明のもので、いつ頃のもので、何に使われていたのでしょうか?
AI は 1 枚の写真から正確な文明、正確な年齢、正確な機能を作り上げます。どれも根拠がなく自信満々です。
強力なプロンプト:
あなたの役割: 説明アシスタントを見つけました。写真にある作品の観察可能な特徴のみを説明してください: 形状部分 (口/底?)、表面 (釉薬/素焼き、磨き?)、色、装飾、推定厚さ。次に、この説明に基づいて、機能と期間を明らかにするためにどのような追加データ (生地分析、プロファイル描画、コンテキスト) が必要かを教えてください。文明や時代を正確に言及しないでください。
違い: 1 つ目は決定を必要とし、フィッティングを受けます。 2 つ目は、説明と検証可能なロードマップが必要です。
ビジュアルを超えて: 生地、背景、プロフィール
AI画像解析の落とし穴は、表面の見た目しか見ていないことだ。しかし、考古学的類型学のバックボーンは肉眼では見えないことがよくあります。生地（粘土の焼成状態、その添加物、割れた部分の質感）から、器がどこでどのように作られたのか、どの粘土源が使用されたのかがわかります。たとえ表面が似ていても、生地が異なれば、異なる生産伝統に属している可能性があります。したがって、本格的に分類するには、破片の破損部分を写真に撮る必要があります。
同様に、プロフィール (船舶の側部、胴部、底部の縮尺図) は、1 枚の写真よりもはるかに正確に形状を定義します。口の角度、縁の厚さ、底の形状が時代を表しています。 AI は、プロファイル図面を自動的に抽出し、類似したプロファイルをグループ化するのに役立ちますが、専門家が図面と測定を検証します。最後に、コンテキスト (その作品がどの層で、どのような内容で発見されたか) は、視覚的な類似性とは独立した強力な年代測定の手がかりとなります。同じ閉じたコンテキスト内の作品は、多くの場合、同じ時代のものです。 AI に写真だけを与えて、テクスチャ、プロフィール、コンテキストを無視した場合、最も貴重な証拠を無視することになります。
ヒント: AI にアーティファクトを与えるときは、可能であれば、外側の表面、内側の表面、破損した断面の 3 つのビューを提供します。コンテキスト番号とプロファイルの測定値も含めます。データに偏りがないほど、グループ化の信頼性が高くなります。
検索タイプ別の AI 使用状況テーブル
検索の種類
AIは強力です
危険な/人間的なビジネス
必須の検証
セラミックス
フォーム/生地の事前グループ化
年代・産地参考
参考カタログ、生地分析
コイン
顔/アイコンの事前認識
帰属、模倣/珍しい検出
コインカタログ、専門家
石器（石器）
種類とサイズの測定
機能・技術レビュー
使用摩耗分析
ガラス/金属
色、形状事前分離
構成・年表
臨床検査分析
ちょっとした発見
在庫写真のマッチング
機能、重要性の解釈
コンテキスト、並列例
よくある間違い
- 説明ではなく参考文献を求めます。 AI に「それが何であるか」ではなく「どのように見えるか」を尋ねます。カタログを見て決めてください。
- 写真が悪いので分類。スケール、ライト、カラーカードがないと、出力の信頼性が低くなります。
- AI による珍しい発見への最初の言及を受け入れる。 AI は、非典型的なパターンを最もよく知られたパターンに強制します。
- ペースト/コンテキスト データをスキップします。視覚的な類似性だけでは誤解を招きます。生地と背景が決定的です。
- 予備的なグループ化を最終的な類型論と誤解する。グループ化は始まりです。類型学は専門家であり、参考となる仕事です。
要約すれば
見つかった分類における AI。視覚的な説明、特徴抽出、および予備的なグループ化タスクにかかる時間を大幅に節約できます。しかし、文化的年代学的帰属、模倣/珍しい検出、および機能的解釈は、専門家および参考カタログに属します。 AI に「説明」ではなく「説明」してもらいます。写真の品質を標準化する。独立した情報源を使用して各帰属を確認します。まれに、AI の最初の答えには最も懐疑的になります。
アプリケーションタスク
手持ちの（またはカタログから選択した）見つかった画像を標準形式で 10 枚用意します。 「中立的な説明」テンプレートを使用してそれぞれを説明し、「事前グループ化」テンプレートを使用してグループ化します。次に、グループを実際の参照カタログと比較し、AI のグループ化がどこで適切で、どこが間違っていたかを記録します。
チェックリスト
- [ ] 写真をスケール、ライト、カラーカードで統一しました。
- [ ] 帰属ではなく、AI による中立的な説明が必要でした。
- [ ] 専門家の目と参考カタログを使用して予備的なグループ分けを確認しました。
- [ ] 私は、珍しい/非典型的な発見物における AI の初期帰属に疑問を抱きました。
- [ ] 私は独立した情報源を使用して、それぞれの文化的年代順の参照を検証しました。