Bir arkeoloğun işinin önemli bir parçası, çanak çömlek parçalarını alt tiplere ayırmanın zahmetli sürecini içerir. Arkeologlara neden belirli bir kategoriye bir parça koyduklarını sorun ve onları bu sonuca tam olarak neyin götürdüğünü söylemek onlar için genellikle zordur.
Northern Arizona Üniversitesi’nde antropoloji profesörü olan Christian Downum, “Elvis Presley’in bir fotoğrafına bakmak ve bir taklitçinin fotoğrafına bakmak gibi bir şey” dedi. “Taklitçide bir sorun olduğunu biliyorsun, ama neden Elvis olmadığını belirtmek zor. ”
Ancak arkeologlar, işlerinin bu kritik bölümünü ellerinden geldiğince iyi yapması için bir bilgisayar programlamanın mümkün olduğunu şimdi gösterdiler. Araştırmacılar, The Journal of Archaeological Science’ın Haziran sayısında yayınlanan bir çalışmada, derin öğrenme modelinin, dört uzman arkeoloğun yaptığı gibi, dekore edilmiş parçaların görüntülerini doğru ve bazen daha kesin olarak sıraladığını bildirdi.
Araştırmanın yazarlarından biri olan Dr. Downum, “Duygularımı incitmiyor,” dedi. Bunun yerine, zamanı boşaltarak ve “öznel ve tanımlanması zor sınıflandırma sürecini, her seferinde aynı sonucu veren bir sistemle değiştirerek alanı iyileştirmesi gerektiğini söyledi. “
Çalışma, kuzeydoğu Arizona’nın kanyonlarında ve mezalarında 825 ile 1300 yılları arasında yemek servisi yapmak ve su depolamak için kullanılan bir tür boyalı el yapımı çanak çömlek olan Tusayan White Ware’e odaklandı. 1920’lerde arkeologlar, Tusayan White Ware’in Parçalar, oluşturuldukları zaman dilimine bağlı olarak tutarlı kalıplara sahiptir.
Tusayan Beyaz Eşya’nın çeşitli türleri belirlenebilir kılan kendine özgü tasarım öğeleri içeren görüntüleri. Kredi. . . Leszek Pawlowicz ve Christian Downum / Kuzey Arizona Üniversitesi
Araştırmacılar, bu özel seramik türünün en deneyimli dört analistini işe aldı. Her biri seramikleri analiz etmek için 30 veya daha fazla yıl harcadı ve daha önce on binlerce Tusayan Beyaz Eşya parçasını sınıflandırdı.
Ayrıca Tusayan White Ware fotoğraflarını sıralamak için büyük miktarda veriyi analiz ederek belirli görevleri öğrenebilen karmaşık bir matematik sistemi olan sinir ağını eğitmek için yaklaşık dört saat harcadılar.
İnsan ve makinenin her biri, binlerce görüntüyü bilinen dokuz türden birine kategorize etmekle görevlendirildi ve yanıtlarının doğruluğu açısından değerlendirildi.
Araştırmacılar, sinir ağının doğruluk için iki insan analisti bağladığını ve diğer ikisini yendiğini buldu.
Makine ayrıca çok daha verimliydi. Dr. Pawlowicz, görev sıkıcı olduğu için insan analistlerinin hiçbiri 3000 fotoğrafın hepsini durmadan incelemek istemediğini söyledi. Bu nedenle, görevi muhtemelen üç saatte tamamlayabilecek olsalar bile, her biri analizi üç ila dört ay boyunca birkaç oturumda gerçekleştirdi.
Sinir ağı, birkaç dakika içinde binlerce görüntüyü karıştırdı.
Bilgisayar programı sadece arkeologlar kadar verimli ve doğru olmakla kalmadı, aynı zamanda canlı, nefes alan rakiplerine kıyasla neden parçaları belirli bir şekilde kategorize ettiğini daha iyi ifade edebildi. Bir durumda, bilgisayar, araştırmacılar için yeni olan akıllı bir sıralama gözlemi sundu: Leszek, dikenli çizgi tasarım unsurlarına sahip iki benzer seramik türünün, çizgilerin dik açılarla bağlanmış veya paralel olmasıyla ayırt edilebileceğini belirtti. Pawlowicz, Northern Arizona Üniversitesi’nde yardımcı öğretim üyesi ve çalışmanın başka bir yazarı.
Makine ayrıca, her sınıflandırma için yalnızca bir yanıt sunma konusunda insanları geride bıraktı; Yazarlar, katılan arkeologların öğelerin nasıl kategorize edildiği konusunda sıklıkla fikir ayrılığına düştüğünü ve arkeolojik projeleri genellikle yavaşlatan bilinen bir sorun olduğunu söyledi.
Çalışmaya dahil olmayan M. I.T.’de elektrik mühendisliği ve bilgisayar bilimleri profesörü olan Phillip Isola, sinir ağının arkeologlar kadar – veya bazen onlardan daha iyi – performans göstermesine şaşırmadığını söyledi.
Dr. Isola, “Şu anda birkaç kez duyduğumuz hikayenin aynısı,” dedi. Örneğin, tıbbi görüntüleme alanında araştırmacılar, nöral ağların tümörleri belirlemede radyologlara rakip olduğunu bulmuşlardır. Akademisyenler de bitki ve kuş türlerini sınıflandırmak için benzer araçlar kullanıyor.
Bu aynı zamanda arkeologların yapay zekaya yöneldiği ilk zamandan çok uzak. 2015 yılında, Fransa’daki araştırmacılar ortaçağ Fransız seramiklerini sınıflandırmak için makine öğrenimini uyguladılar. Beş ülkeden bir grup arkeolog ve bilgisayar bilimcisi de çömlek parçalarını sınıflandırmak için dijital bir araç geliştiriyor. Ancak bu projelerin hiçbiri insanı makineyle açıkça karşılaştırmıyor.
Çalışma yayılmaya başladığından beri, bazı arkeologlar yazarlarla onların yerini makinelerin alacağına dair endişelerini paylaştılar. Dr. Downum ve Dr. Pawlowicz böyle bir şeyin olmasından endişe etmediklerini söylediler.
Dr. Downum, “Neyin çalışılmasının önemli olduğuna biz karar veririz,” dedi.
Bir The New York Times haberinden çevrildi ve haberleştirildi.