Key takeaways
- Et nytt AI-drevet verktøy kan hjelpe historikere med å tyde eldgamle tekster.
- Ithaca er det første dype nevrale nettverket som kan gjenopprette den manglende teksten til skadede inskripsjoner, identifisere deres opprinnelige plassering og bidra til å fastslå datoen de ble opprettet.
- AI er nyttig for å fylle ut manglende data som plassering og dato for tekst fordi den er god til å lære svært komplekse mønstre ved å analysere data.
Nylige fremskritt innen kunstig intelligens (AI) driver innsatsen for å forstå fortiden.
Ithaca, en maskinlæringsmodell bygget av AI-forskere ved DeepMind, kan gjette manglende ord og plassering og dato for skriftspråk, ifølge en ny artikkel. Innsatsen kan hjelpe historikere med å tyde eldgamle manuskripter.
"Ithaca er et dypt nevr alt nettverk, og som sådan er det utrolig i stand til å finne skjulte mønstre i enorme mengder data," sa historiker Thea Sommerschield, medforfatter av den nylige avisen, til Lifewire i en e-post intervju. "Slike mønstre kan være tekstuelle (grammatiske, syntaktiske eller knyttet til en gjentatt 'formel' på tvers av mange tekster) eller kontekstuelle (visse ord som vises konsekvent i visse tekstsjangre: for eksempel et politisk dekret fra klassisk Athen som nevner ordene 'allianse,' råd, forsamling …')."
Revealing the Past
Ithaca er det første dype nevrale nettverket som kan gjenopprette den manglende teksten til skadede inskripsjoner, identifisere deres opprinnelige plassering og bidra til å fastslå datoen de ble opprettet, sa Sommerschield.
Ithaca er oppk alt etter den greske øya i Homers Odyssey. Forskerne fant at Ithaca oppnår 62 % nøyaktighet når det gjelder å gjenopprette skadede tekster, 71 % nøyaktighet når det gjelder å identifisere den opprinnelige plasseringen og kan datere tekster til innen 30 år etter opprinnelsesdatoene.
Ithacas visualiseringshjelpemidler er ment å gjøre det lettere for forskere å tolke resultater. Avisens forfattere skrev at historikere oppnådde 25% nøyaktighet når de jobbet alene for å gjenopprette eldgamle tekster. Men historikerens ytelse øker til 72 % ved bruk av Ithaca, og overgår modellens ytelse og viser potensialet for menneske-maskin-samarbeid.
“Ithaca tilbyr tolkbare resultater, viser den økende betydningen av samarbeid mellom menneskelige eksperter og maskinlæring, og viser hvordan matching av menneskelige eksperter med dyplæringsarkitekturer for å takle oppgaver i samarbeid kan overgå den individuelle (uten hjelp) ytelsen til både mennesker og modell på de samme oppgavene, sa Sommerschield til Lifewire.
For eksempel er historikere for tiden uenige om datoen for en serie viktige athenske dekreter som ble gjort på en tid da bemerkelsesverdige skikkelser som Sokrates og Perikles levde, skrev Sommerschield i et blogginnlegg. Dekretene har lenge vært antatt å ha blitt skrevet før 446/445 fvt, selv om nye bevis tyder på en dato fra 420-tallet fvt. "Selv om det kan virke som en liten forskjell, er disse dekretene grunnleggende for vår forståelse av den politiske historien til klassisk Athen," skrev hun
Det nærmeste arbeidet til Ithaca er et tidligere maskinlæringsverktøy k alt Pythia som Sommerschield og hennes samarbeidspartnere ga ut i 2019. Pythia var den første eldgamle tekstgjenopprettingsmodellen som brukte dype nevrale nettverk.
"I dag er Ithaca den første modellen som takler de tre sentrale oppgavene i epigrafens arbeidsflyt helhetlig," sa Sommerschield i en e-post. "Ikke bare fremmer det det forrige toppmoderne settet av Pythia, men det bruker også dyp læring for geografisk og kronologisk attribusjon for aller første gang og i en enestående skala.«
AI for å hjelpe historikere
AI er nyttig for å fylle ut manglende data som plassering og dato for tekst fordi den er god til å lære svært komplekse mønstre ved å analysere data, fort alte Brad Quinton, administrerende direktør i AI-selskapet Singulos Research, til Lifewire via e-post.
"Ved bruk av maskinlæringsteknikker kan AI se gjennom et stort antall "kjente gode" eksempler for å finne mønstre mellom for eksempel en gitt tekst og dens dato og sted for opprettelsen, la Quinton til. "Ofte er disse mønstrene så komplekse at de ikke ville være åpenbare for en menneskelig ekspert."
Forutsi manglende data er en vanlig oppgave for maskinlæringsbasert AI. For eksempel kan GPT-3 fra OpenAI forutsi manglende ord i en setning eller til og med manglende setninger i et avsnitt. Og mange AI-baserte bildebehandlingssystemer har blitt brukt til å gjenopprette video og bilder ved intelligent å forutsi hva som har gått tapt fra originalen.
“Konseptuelt kan forskere bruke lignende teknikker for å bestemme datoen og opprinnelsen til kunst eller verktøy, eller andre historiske menneskeskapte artefakter der det er en forventning om endring i den underliggende stilen og teknikken over tid og etter plassering av opprinnelse,» sa Quinton.
