Силиконовая долина встречается с Месопотамией

Археология — относительно малоизвестная, но очень влиятельная дисциплина. Археология имеет решающее значение для нашего понимания истории человечества. Более того, открытия, обнаруженные в результате археологических работ, влияют и помогают формировать другие интеллектуальные дисциплины, такие как политика, география, демография и другие. Во многих отношениях археология является основополагающей дисциплиной, создающей базу данных и исторический контекст, на который опираются многие различные области.

Археология выполняет три основные функции: съемку, раскопки и анализ. Археологи усердно работают над выявлением археологических памятников, проводят раскопки, находят артефакты и постройки, а затем анализируют их. Археология — ресурсоемкая, медленная и очень ручная область. Археологические отряды могут исчисляться сотнями, а археологические раскопки могут длиться годами. Например, более 1000 археологов будут работать на 60 участках в крупнейших археологических раскопках в Соединенном Королевстве. Скорость, с которой мы можем идентифицировать, раскапывать и анализировать, долгое время ограничивала скорость, с которой развивается археология — и, в свою очередь, наше понимание истории человечества.

Тем не менее, разрабатывается ряд новых археологических методов, включающих применение машинного обучения к археологическому процессу, которые обещают освободить развитие археологии от многих ее исторических ограничений. Археологическое машинное обучение обещает стать критическим и историческим переломным моментом в области археологии. В частности, машинное обучение может помочь устранить критические узкие места в геодезических и аналитических функциях археологии. Раскопки, вероятно, останутся в основном ручными из-за деликатности, необходимой для обращения с историческими артефактами.

Прогноз археологических раскопок

Одной из самых сложных, медленных и трудоемких задач в археологии является прогнозирование археологических памятников. На самом деле, археологи усердно работают годами, пытаясь выявить новые археологические памятники, раскопки которых достойны времени и средств. Традиционно археологи вручную изучали данные, пытаясь определить места, достойные открытия. Однако спутниковые изображения и LIDAR в сочетании с машинным обучением обещают автоматизировать большую часть этого процесса обнаружения.

LIDAR — это метод съемки, который включает использование лазерного света для освещения цели и измерение отраженного света с помощью датчика. Различия во времени возврата лазера и длинах волн могут использоваться для создания трехмерных изображений целей. Лидар уже давно используется археологами. Однако машинное обучение начинает позволять археологам автоматизировать анализ лидарных и спутниковых данных, чтобы автоматически прогнозировать и идентифицировать археологические памятники.

Например, недавно исследователи создали модель машинного обучения, которая проанализировала спутниковые снимки и правильно предсказала 94% известных археологических памятников в Сирии. Невероятно, но модель также определила еще 14 000 потенциальных мест — более чем в 18 раз больше, чем было обнаружено археологами в регионе. Точно так же и даже более удивительно, с помощью спутниковых снимков и машинного обучения японские исследователи смогли идентифицировать 143 ранее не обнаруженные линии Наска!

Спутниковое изображение некоторых линий Наски, обнаруженных исследователями.

Автоматическая классификация артефактов

Еще одна чрезвычайно ручная задача в археологии — классификация артефактов. Каждые успешные археологические раскопки приводят к многочисленным археологическим артефактам, которые исследователям затем приходится классифицировать и анализировать. Обычно этот процесс выполняется вручную посредством визуального осмотра. Например, для классификации исторических стеклянных артефактов эксперт просматривает справочную коллекцию, чтобы попытаться классифицировать новые обнаруженные стеклянные предметы.

Другой пример связан с классификацией обнаруженных монет. И снова эксперты используют справочную коллекцию, чтобы попытаться классифицировать новые монеты. Эти проблемы классификации могут быть в значительной степени автоматизированы с помощью машинного обучения. В недавней статье рассказывается, как исследователи построили модель машинного обучения для автоматической классификации монет на основе обучающего набора данных из 692 современных европейских монет. Когда исследователи протестировали модель, они обнаружили, что модель правильно классифицировала 78% монет в тестовом наборе данных. Они обнаружили, что просчеты обычно происходили из-за того, что некоторые монеты были грязными или просто неизвестного происхождения, а не из-за недостатков модели.

Автоматический перевод артефактов

Археологи также начали использовать машинное обучение для понимания и воссоздания древнегреческих текстов из разбитых каменных табличек. DeepMind — известное подразделение глубокого обучения Google — создало систему под названием Pythia, обученную воссоздавать эти тексты. В качестве теста аспирантам и Пифии дали набор текстов с искусственно удаленными частями и попросили заполнить пробелы. Студенты завершили текст с плохой точностью 43%. Напротив, Pythia правильно заполнила пробелы в более впечатляющих 70% случаев.

Машинное обучение также можно применять для перевода древних текстов. Например, за многие годы археологи нашли тысячи месопотамских табличек. Однако большинство этих табличек остаются нерасшифрованными из-за ограниченного числа экспертов, свободно владеющих этими месопотамскими языками, и времени, необходимого для перевода документа. Более 90% этих документов остаются непереведенными, и они представляют собой кладезь исторической информации, ожидающей изучения. Машинное обучение может помочь, значительно ускорив этот процесс перевода, как только исследователи создадут правильно переведенные модели.

Автоматизированное решение археологических головоломок

Наконец, машинное обучение может помочь исследователям значительно ускорить процесс решения археологических загадок. Первоначально, когда большинство артефактов обнаруживаются, они часто разбиваются на несколько частей. Археологи тратят бесчисленные часы на то, чтобы выяснить, как собрать эти части. Этот процесс решения головоломок может быть невероятно утомительным. Исследователи из Хайфского университета опробовали модель машинного обучения, которая может предсказывать, как собирать фрагментированные артефакты для археологов. Первоначальное тестирование показало, что модель, которую они построили, очень хорошо работает на нескольких тестовых артефактах.

Археологическое машинное обучение

В целом, машинное обучение обещает значительно ускорить темпы археологических исследований во всем мире, разблокировав несколько критических узких мест. Автоматизируя и ускоряя такие задачи, как предсказание археологических раскопок, классификация артефактов, перевод и решение головоломок, машинное обучение откроет шлюзы для археологических исследований. Наше понимание истории человечества и ее сложностей будет быстро развиваться в ближайшие десятилетия, поскольку машинное обучение помогает нам обнаруживать ранее неизвестные места, классифицировать и переводить найденные артефакты и позволяет археологам сосредоточиться на наиболее ценных и сложных археологических задачах.

Первоначально опубликовано на https://trajectory.substack.com.