Kuzey Arizona Üniversitesi’nden bir grup araştırmacı GPU ile güçlendirilmiş derin öğrenme algoritmaları ile antik çömlek parçalarını sınıflandırmada kullandılar. Bu yöntem arkeologlardan daha başarılı oldu. Kullanılan teknik The Journal of Archaeological Science dergisinde, Leszek Pawlowicz ve Christian Downum tarafından yayınlandı. Tusayan Beyaz çömlek parçaları olarak bilinen Güneybatı Amerika tarafından bir antik çömlek türüne odaklı bir çalışmaydı.

Bu çömlek beyaz seramik üstüne siyah geometrik şekillerden oluşuyor. Şu an Kuzeydoğu Arizona olarak bilinen bölgede milattan sonra 825-1300 yılları arasında kullanılmıştı. 1920’lerde Arkeologlar çömlekleri kategorize etmekte tasarımları nasıl kullanacaklarını keşfettiler ve bu sayede her bir çömlek parçasının ne zaman yapıldığını anlayabildiler.

Sonuç olarak Tusayan Beyaz Çömlek parçaları çok yönlü ve yazılı olmayan Güneybatı Amerikan kültürüne bir pencere açmış oldu. Bu çömlekler Güneydoğu Birleşik Devletler’in zengin arkeolojik mirasının sadece küçük bir parçasını temsil ediyor.

Kuzey Arizona Üniversitesi yardımcı öğretim üyesi ola Pawlowicz, Arizona’da yüzbinlerce olmasa da onlarca alan Hopi ve Zuni kabileleri tarafından 1500 yıl öncesinden günümüze kadar kullanıldığını açıklıyor.

Uzun zaman Önce Ölmüş Zanaatkarları Tanımlamak

Kuzey Arizona Üniversitesi’nde antropoloji profesörü olan Downum, bölgedeki ve dünya çapındaki çömlek parçalarını hızlı bir şekilde analiz ederek araştırmacılara yüzlerce yıl önceki yaşam hakkında yeni bilgiler toplamak konusunda olanak sağlayacağını söylüyor. Hatta bir gün, zanaatkarların bireysel çalışmalarını bile tanıyabilir. Coğrafi bilgilerle birlikte yüz binlerce parça görüntüsünü dijitalleştirmek etkili bir araç olacaktır.

İnsan Seviyesinde Uzmanlık

Pawlowicz ve Downum, yaptığı çalışmalarda, uygun şekilde eğitilmiş bir derin öğrenme modelinin, dört uzman düzeyinde çağdaş arkeologlarla karşılaştırılabilir ve hatta bazen daha yüksek bir doğrulukla çömlek parçalarının dijital görüntülerinden faydalanarak hangi türden olduğunu gösterebilir. Pawlowicz, çalışma için kullanılan yapay zeka modelini, VGG16 ve ResNet50 gibi bir çift ortak evrişimli sinir ağı modelini çalıştıran bir NVIDIA GPU ile donatılmış bilgisayarında sadece birkaç saat içinde eğitti.

Geniş Açıklama

Pawlowicz ve Downum, Grad-CAM (gradyan tabanlı sınıf etkinleştirme haritaları) gibi yeni araçların girdi resimlerinin hangi bölgelerinin, resimlere tür atamaları yapmada daha önemli olabileceğini sorguladıklarından bahsediyor.

Sonuçlar daha sonra tür sınıflandırmasıyla en alakalı alanların kırmızı ve daha az alakalı alanların mavi ile gölgelendiği bir ısı haritası olarak görüntüleniyor.

Buna karşılık, uzmanlar sıklıkla çömleklerin, onları sınıflandırmak için kullanılacak karakteristik özelliklere işaret etmekle uğraşıyorlar. Bu durum da çalışmalarını açıklamayı ve başkalarını eğitmeyi daha zorlu bir hale getiriyor.

Tutarlılık başka bir avantajdır. Bir uzman genellikle bir parçayı başka bir insandan farklı şekilde sınıflandırırken, bir yapay zeka tutarlı bir şekilde ölçüm yapabilir. Bu nedenle, hatalı bir karşılaştırmayla bile, AI ile çok sayıda numune arasında karşılaştırma yapmak mümkün ve değerlidir. Derin öğrenme, aynı zamanda, eski çalışmalarda yeni konseptler kullanarak, bir yüzyıl veya daha önce sınıflandırılan parça örneklerine dair yeni iç görüler uygulamayı da kolaylaştırır.

Kitle Kaynaklı Arkeoloji

Pawlowicz bir sonraki adım olarak, daha karmaşık modeller kullanarak daha büyük veri setlerini analiz etmek için Kuzey Arizona Üniversitesi’ndeki NVIDIA destekli sistemlere geçmeyi planlıyor. Akıllı telefon uygulamaları, sahada çok az deneyime sahip kişilerin parçalara zarar vermeden yerlerinde fotoğraflayarak veri tabanına eklemelerine yardımcı olabilir. Parçanın fotoğrafı yüklendikten sonra, AI her parçanın bir uzman gibi analizini çıktı olarak verir. Downum, “Bunun için büyük bir potansiyel var” dedi.

Yazının kaynağına buradan ulaşabilirsiniz.