收益：
- 使用人工智能对发现物进行公正的描述和视觉初步分组，并能够通过参考目录区分文化年代参考和专家的工作。
- 能够了解照片质量（比例、光线、色卡）和纹理、轮廓、上下文等元视觉数据如何决定分类准确性。
- 能够识别人工智能在罕见和非典型发现中强制使用最熟悉的模式的趋势，并通过独立来源确认每个归因
发掘过程中最累人但信息量最大的任务之一是发现物分类（根据类型、形式和时期对发现的物体进行分类）。一个季节出土的数万件陶瓷件、数百枚钱币、石器（石器）、骨器、玻璃、金属器物，必须一一检验、记录。在本单元中，我们将学习图像分析（从物体照片中自动提取形状、颜色、纹理等特征）和基于人工智能的分类如何加快查找工作，但为什么最终的归因决定始终由专家负责。
基本原理是这样的：人工智能快速将那些看起来相似的东西组合在一起；但人们可以根据参考目录和专家的眼光做出文化年代参考，例如“这件作品是公元前六世纪的东希腊作品”。人工智能是预分类和测量助手，而不是类型学权威。
查找分类步骤
1.视觉捕捉。每个发现都按标准顺序拍照，并带有比例尺（显示尺寸的标尺）和色卡。一致的光线和背景对于 AI 图像分析至关重要；糟糕的照片意味着糟糕的分类。
2.特征提取。人工智能;它提取可测量的特征，例如边缘轮廓、形状（边缘、底部、手柄）、表面处理（抛光、玻璃、油漆）、糊状颜色和纹理。面团（粘土的烧制形式；其颜色和添加剂表明了生产地点和技术）是考古类型学的支柱。
3.预分组。人工智能根据视觉相似性将数千个零件分类成簇：“可能相同的容器”、“相似的形状”、“相似的面团”。这将有序的堆放在专家面前。
4.专家归因。专家通过参考目录、类型系列和他自己的经验，为每个组确定时期、生产地点和功能。 AI说“这是罗马时期”是一个暗示，而不是一个决定。
5. 注册。每个发现都会进入数据库，并附带其背景编号、测量值、照片和归属（这是第 5 单元的主题）。
提示：让人工智能“描述”一个发现，而不是“描述”它。 “这是什么时代？”相反，询问“客观地列出该零件的可测量特征（形状、边缘、表面、颜色）”；您可以根据参考目录来决定周期。描述是可靠的，归因是有风险的。
应特别注意钱币和铭文。
硬币在图像分析中很有吸引力，因为它们数量众多且标准化。人工智能可以帮助识别硬币正面（反面）上的肖像和反面（反面）上的符号。但硬币鉴定需要钱币专业知识：无论是磨损的铭文、伪造的铸币还是罕见的变体，错误归属都太明显了。 AI说的“这是那个皇帝的钱币”肯定是有标准钱币目录证实的。这同样适用于刻有铭文和盖章的发现物。
注意：人工智能倾向于将类似于著名类型的发现与该著名类型“匹配”；它迫使罕见的、本地的或非典型的例子进入最熟悉的模式。对于这个不寻常的发现中首次提及人工智能，最多只能持怀疑态度。
三个迷你箱子
案例 1 — 预分类减少了负载。铁器时代的定居点出土了 8,400 块陶瓷碎片。 AI视觉分组将零件分为近40个先前的簇；专家没有从头开始消除每件物品，而是仔细检查了集群，分类时间减少了约三分之一。专家将人工智能错误组合的两批不同的面团分开。
案例 2——错误归因被发现。一名实习生向 AI 介绍了一枚硬币； AI 自信地将其归因于一种著名的罗马类型。当钱币专家将其与目录进行比较时，发现背面的符号和铭文（钱币上的文字）顺序不同，这是一个地区仿造币。 AI强行采用了最熟悉的类型。
案例 3 — 颜色不一致问题。一个团队将不同日期、不同光线下拍摄的 AI 照片输入；面团颜色不一致，分组被破坏。当团队改用色卡和恒定光方案时，分组准确性显着提高。教训：图像质量就是分类质量。
四个可复制模板
1）中性描述：
你的角色：发现描述助理。我会给你一张找到的照片/数据。仅客观地列出可观察到的特征：形状（嘴部/底部/主体/手柄）、估计尺寸、表面光洁度、颜色、装饰、破损/磨损状况。请勿提及某个时期、文化或生产地点。如果您不确定该功能，请写“不确定”。
2）预分组：
下面我贴上[N]个零件的描述数据。根据形状和面团相似性将它们分组。对于每个组：写下共同特征、属于该组的零件号以及连接该组的标准。将任何仍不清楚的部分放在单独的“待审查”列表中。不要给出确切的类型名称。
3) 制作引用清单：
您的角色：陶瓷专家顾问。对于以下组，列出我在验证周期/生产项目时需要检查的标准（面团分析、参考目录、并行查找、上下文日期等）。不要做参考；告诉我应该检查什么。
4）照片质量检查：
评估以下找到的照片：是否有比例尺、光线是否一致、色卡是否可见、背景是否纯色、作品是否清晰？哪些照片需要重新拍摄进行分类？列出零件编号的问题。
弱提示/强提示
弱提示：
这件陶器来自哪个文明，有多久的历史，有什么用途？
AI从一张照片中炮制出精准的文明、精准的年龄、精准的功能；一切都是空穴来风，信心十足。
强力提示：
你的角色：发现描述助理。仅描述照片中该作品的可观察特征：形状部分（嘴部/底部？）、表面（上釉/无釉、抛光？）、颜色、装饰、估计厚度。然后，根据此描述，告诉我需要哪些额外数据（面团分析、轮廓图、上下文）来阐明功能和周期。不要提供精确的文明/年龄参考。
区别：第一个需要决策并接受拟合；第二个需要描述和可验证的路线图。
超越视觉：面团、背景和轮廓
AI图像分析的一个陷阱是它只关注表面的外观。然而，考古类型学的支柱往往是肉眼看不见的。面团（粘土的烧制状态、其添加剂及其破碎部分的质地）揭示了容器的生产地点和方式以及使用的粘土来源；即使两块表面相似，但如果面团不同，则可能属于不同的制作传统。因此，严肃的分类需要对作品的破损部分进行拍照。
同样，轮廓（容器侧身底部部分的比例图）比单张照片更精确地定义了形状；嘴角、边缘厚度和底部形状是该时期的标志。人工智能可以帮助自动提取轮廓图并对相似的轮廓进行分组，但专家会验证绘图和测量结果。最后，上下文（该作品在哪一层被发现，与什么一起发现）是一个独立于视觉相似性的强有力的约会线索：同一封闭上下文中的作品通常来自同一时期。如果你只向人工智能提供照片而忽略纹理、轮廓和背景，那么你就会忽略最有价值的证据。
提示：向 AI 提供工件时，如果可能，请提供三个视图：外表面、内表面和破碎部分。还包括上下文编号和任何配置文件测量值。数据越公正，意味着分组越可靠。
按查找类型划分的 AI 使用情况表
查找类型
人工智能很强大
有风险/人性化的业务
强制验证
陶瓷
成型/面团预分组
时期、产地参考
参考目录，面团分析
硬币
人脸/图标预识别
归因、模仿/罕见检测
钱币目录，专家
石器（石器）
类型和尺寸测量
功能、技术回顾
使用磨损分析
玻璃/金属
颜色、形状预分离
构图、年表
实验室分析
很少发现
库存照片匹配
功能、重要性解读
上下文，并行示例
常见错误
- 要求参考而不是描述。向人工智能询问“它看起来像什么”，而不是“它是什么”；根据目录做出决定。
- 用坏照片分类。没有刻度、光线和色卡，输出是不可靠的。
- 接受人工智能首次提及这一罕见发现。人工智能迫使非典型模式变成最熟悉的模式。
- 跳过粘贴/上下文数据。仅视觉相似性就会产生误导；面团和环境是决定性的。
- 将初步分组误认为是确定类型。分组是一个开始；类型学是一本专家和参考书。
总之
人工智能发现分类；它节省了视觉描述、特征提取和初步分组任务的大量时间。但文化年代归因、模仿/稀有检测和功能解释属于专家和参考目录。告诉人工智能“描述”而不是“描述”；标准化照片质量；通过独立来源验证每个归因；在罕见的情况下，对人工智能的第一个答案持最怀疑的态度。
应用任务
准备 10 张已找到的标准格式图像（或从目录中选择）。使用“中性描述”模板描述每一项，然后使用“预分组”模板对它们进行分组。然后将一组与真实的参考目录进行比较，并记下人工智能的分组在哪里正确以及哪里错误。
清单
- [ ] 我用比例、光线和色卡对照片进行了标准化。
- [ ] 我想要人工智能的中立描述，而不是归因。
- [ ] 我以专家的眼光和参考目录检查了初步分组。
- [ ] 我质疑人工智能在罕见/非典型发现中的最初归因。
- [ ] 我已通过独立来源验证了每个文化年代参考资料。