Mga Key Takeaway
- Ang isang bagong tool na pinapagana ng AI ay maaaring makatulong sa mga historian na maunawaan ang mga sinaunang teksto.
- Ang Ithaca ay ang unang deep neural network na maaaring mag-restore ng nawawalang text ng mga nasirang inskripsiyon, tukuyin ang kanilang orihinal na lokasyon, at tumulong sa pagtatatag ng petsa kung kailan ginawa ang mga ito.
- Ang AI ay kapaki-pakinabang para sa pagpuno ng nawawalang data tulad ng lokasyon at petsa ng text dahil mahusay itong matuto ng mga napakakumplikadong pattern sa pamamagitan ng pagsusuri ng data.
Ang mga kamakailang pagsulong sa artificial intelligence (AI) ay nagpapalakas ng mga pagsisikap na maunawaan ang nakaraan.
Ithaca, isang machine learning model na binuo ng mga AI researcher sa DeepMind, ay maaaring hulaan ang mga nawawalang salita at ang lokasyon at petsa ng nakasulat na wika, ayon sa isang bagong papel. Ang pagsisikap ay maaaring makatulong sa mga mananalaysay na maunawaan ang mga sinaunang manuskrito.
“Ang Ithaca ay isang malalim na neural network, at dahil dito, ito ay hindi kapani-paniwalang may kakayahang maghanap ng mga nakatagong pattern sa napakaraming data, '' historian Thea Sommerschield, co-author ng kamakailang papel, sinabi sa Lifewire sa isang email panayam. “Ang ganitong mga pattern ay maaaring textual (grammatical, syntactic, o naka-link sa isang paulit-ulit na 'formula' sa maraming mga teksto) o contextual (ilang mga salita na patuloy na lumalabas sa ilang mga genre ng mga teksto: hal., isang political decree mula sa Classical Athens na binabanggit ang mga salitang 'alyansa, konseho, kapulungan…').”
Pagbubunyag ng Nakaraan
Ang Ithaca ay ang unang deep neural network na maaaring mag-restore ng nawawalang text ng mga nasirang inskripsiyon, tukuyin ang kanilang orihinal na lokasyon, at tumulong sa pagtatatag ng petsa kung kailan nilikha ang mga ito, sabi ni Sommerschield.
Ang Ithaca ay ipinangalan sa isla ng Greece sa Homer's Odyssey. Nalaman ng mga mananaliksik na nakakamit ng Ithaca ang 62% na katumpakan sa pagpapanumbalik ng mga nasirang teksto, 71% na katumpakan sa pagtukoy ng kanilang orihinal na lokasyon at maaaring mag-date ng mga teksto sa loob ng 30 taon mula sa petsa ng kanilang pinagmulan.
Ang mga visualization aid ng Ithaca ay nilayon upang gawing mas madali para sa mga mananaliksik na bigyang-kahulugan ang mga resulta. Isinulat ng mga may-akda ng papel na ang mga mananalaysay ay nakamit ang 25% na katumpakan kapag nagtatrabaho nang mag-isa upang maibalik ang mga sinaunang teksto. Ngunit, ang pagganap ng mananalaysay ay tumataas sa 72% kapag gumagamit ng Ithaca, na nalampasan ang pagganap ng modelo at nagpapakita ng potensyal para sa pakikipagtulungan ng tao-machine.
“Nag-aalok ang Ithaca ng mga maipaliwanag na output, na nagpapakita ng tumataas na kahalagahan ng pakikipagtulungan sa pagitan ng mga eksperto ng tao at machine learning, at ipinapakita kung paano ang pagtutugma ng mga dalubhasa ng tao na may malalim na pagkatuto na mga arkitektura upang matugunan ang mga gawain nang magkakasama ay maaaring malampasan ang indibidwal (walang tulong) na pagganap ng kapwa tao at modelo sa parehong mga gawain,” sinabi ni Sommerschield sa Lifewire.
Halimbawa, kasalukuyang hindi sumasang-ayon ang mga mananalaysay sa petsa ng isang serye ng mahahalagang kautusang Athenian na ginawa noong panahong nabuhay ang mga kilalang tao gaya nina Socrates at Pericles, isinulat ni Sommerschield sa isang blog post. Ang mga kautusan ay matagal nang naisip na naisulat bago ang 446/445 BCE, bagama't ang bagong ebidensya ay nagmumungkahi ng petsa ng 420s BCE. "Bagaman ito ay tila isang maliit na pagkakaiba, ang mga kautusang ito ay mahalaga sa aming pag-unawa sa kasaysayan ng politika ng Classical Athens," isinulat niya
Ang pinakamalapit na trabaho sa Ithaca ay ang dating machine learning tool na tinatawag na Pythia na inilabas ni Sommerschield at ng kanyang mga collaborator noong 2019. Ang Pythia ang unang sinaunang text restoration model na gumamit ng mga deep neural network.
“Ngayon, si Ithaca ang unang modelo na humarap sa tatlong pangunahing gawain sa daloy ng trabaho ng epigrapher sa kabuuan,” sabi ni Sommerschield sa isang email. “Hindi lamang nito isinusulong ang dating state-of-the-art na itinakda ni Pythia, ngunit gumagamit din ito ng malalim na pag-aaral para sa heograpikal at kronolohikal na pagpapatungkol sa pinakaunang pagkakataon at sa hindi pa nagagawang sukat.”
AI to Aid Historians
Ang AI ay kapaki-pakinabang para sa pagpuno ng nawawalang data tulad ng lokasyon at petsa ng text dahil mahusay itong matuto ng mga napakakumplikadong pattern sa pamamagitan ng pagsusuri ng data, sinabi ni Brad Quinton, ang CEO ng kumpanya ng AI na Singulos Research, sa Lifewire sa pamamagitan ng email.
“Gamit ang mga diskarte sa pag-aaral ng machine, maaaring tumingin ang AI sa isang malaking bilang ng mga “kilalang mahusay” na mga halimbawa upang makahanap ng mga pattern sa pagitan, halimbawa, ng isang naibigay na text at ang petsa at lokasyon nito ng paglikha,” dagdag ni Quinton. “Kadalasan, napakakumplikado ng mga pattern na ito na hindi halata sa isang dalubhasa ng tao.”
Ang paghula sa nawawalang data ay isang karaniwang gawain para sa machine learning-based AI. Halimbawa, maaaring hulaan ng GPT-3 mula sa OpenAI ang mga nawawalang salita sa isang pangungusap o kahit na nawawalang mga pangungusap sa isang talata. At maraming AI-based na image processing system ang ginamit para ibalik ang video at mga imahe sa pamamagitan ng matalinong paghula kung ano ang nawala mula sa orihinal.
“Sa konsepto, maaaring gumamit ang mga mananaliksik ng mga katulad na pamamaraan upang matukoy ang petsa at pinagmulan ng sining o mga kasangkapan, o iba pang makasaysayang artifact na gawa ng tao kung saan may inaasahang pagbabago sa pinagbabatayan na istilo at pamamaraan sa paglipas ng panahon at ayon sa lokasyon ng pinanggalingan, sabi ni Quinton.
