Atslēgas līdzņemšanai
- Jauns ar AI darbināms rīks varētu palīdzēt vēsturniekiem atšifrēt senos tekstus.
- Ithaca ir pirmais dziļais neironu tīkls, kas var atjaunot bojāto uzrakstu trūkstošo tekstu, noteikt to sākotnējo atrašanās vietu un palīdzēt noteikt datumu, kad tie tika izveidoti.
- AI ir noderīga, lai aizpildītu trūkstošos datus, piemēram, teksta atrašanās vietu un datumu, jo ar to var labi apgūt ļoti sarežģītus modeļus, analizējot datus.
Pēdējie sasniegumi mākslīgā intelekta (AI) jomā veicina centienus izprast pagātni.
Ithaca, mašīnmācīšanās modelis, ko izstrādājuši DeepMind AI pētnieki, var uzminēt trūkstošos vārdus un rakstītās valodas atrašanās vietu un datumu, liecina jauns dokuments. Šie centieni varētu palīdzēt vēsturniekiem atšifrēt senos manuskriptus.
“Ithaka ir dziļš neironu tīkls, un tādējādi tas ir neticami spējīgs atrast slēptos modeļus milzīgā datu apjomā,” vēsturniece Tea Zommersīlda, nesenā raksta līdzautore, pastāstīja Lifewire. intervija. "Šādi modeļi varētu būt tekstuāli (gramatiski, sintaktiski vai saistīti ar atkārtotu "formulu" daudzos tekstos) vai kontekstuāli (noteikti vārdi konsekventi parādās noteiktos tekstu žanros: piemēram, klasisko Atēnu politiskais dekrēts, kurā minēti vārdi "alianse, padome, asambleja…').”
Pagātnes atklāšana
Ithaca ir pirmais dziļais neironu tīkls, kas var atjaunot bojāto uzrakstu trūkstošo tekstu, noteikt to sākotnējo atrašanās vietu un palīdzēt noteikt datumu, kad tie tika izveidoti, sacīja Sommeršīlds.
Itaka ir nosaukta Grieķijas salas vārdā Homēra odisejā. Pētnieki atklāja, ka Ithaca sasniedz 62% precizitāti, atjaunojot bojātus tekstus, 71% precizitāti, nosakot to sākotnējo atrašanās vietu un var datēt tekstus 30 gadu robežās no to izcelsmes datuma.
Ithaca vizualizācijas palīglīdzekļi ir paredzēti, lai pētniekiem būtu vieglāk interpretēt rezultātus. Darba autori rakstīja, ka vēsturnieki sasniedza 25% precizitāti, strādājot vieni, lai atjaunotu senos tekstus. Taču, izmantojot Ithaca, vēsturnieka veiktspēja palielinās līdz 72%, pārspējot modeļa veiktspēju un parādot cilvēka un mašīnas sadarbības potenciālu.
“Ithaca piedāvā interpretējamus rezultātus, parādot pieaugošo sadarbību starp cilvēku ekspertiem un mašīnmācīšanos, un parāda, kā cilvēku ekspertu saskaņošana ar dziļas mācīšanās arhitektūrām, lai kopīgi risinātu uzdevumus, var pārspēt gan cilvēku, gan cilvēku individuālo (nepalīdzētu) veiktspēju. modelis tiem pašiem uzdevumiem,”sacīja Sommeršīlds Lifewire.
Piemēram, vēsturniekiem pašlaik ir domstarpības par datumu, kad tika izdota virkne svarīgu Atēnu dekrētu, kas pieņemti laikā, kad dzīvoja tādas ievērojamas personas kā Sokrāts un Perikls, savā emuāra ierakstā rakstīja Zommerskilds. Ilgu laiku tiek uzskatīts, ka dekrēti ir uzrakstīti pirms 446./445. gadiem p.m.ē., lai gan jauni pierādījumi liecina, ka datums ir 420. gadi pirms mūsu ēras. "Lai gan tā varētu šķist neliela atšķirība, šie dekrēti ir būtiski svarīgi mūsu izpratnei par klasisko Atēnu politisko vēsturi," viņa rakstīja.
Itakai tuvākais darbs ir iepriekšējais mašīnmācīšanās rīks Pythia, ko Sommeršīlda un viņas līdzstrādnieki izlaida 2019. gadā. Pythia bija pirmais senais teksta atjaunošanas modelis, kurā tika izmantoti dziļi neironu tīkli.
“Šodien Ithaca ir pirmais modelis, kas vienoti risina trīs galvenos uzdevumus epigrāfa darbplūsmā,” e-pastā sacīja Zommerskilds. “Tas ne tikai uzlabo iepriekšējo Pythia izstrādāto jaunāko tehnoloģiju, bet arī izmanto dziļu mācīšanos ģeogrāfiskai un hronoloģiskai attiecināšanai pirmo reizi un vēl nebijušā mērogā.”
AI, lai palīdzētu vēsturniekiem
AI ir noderīgs, lai aizpildītu trūkstošos datus, piemēram, teksta atrašanās vietu un datumu, jo ar to var labi apgūt ļoti sarežģītus modeļus, analizējot datus, AI uzņēmuma Singulos Research izpilddirektors Breds Kvintons pastāstīja Lifewire pa e-pastu.
“Izmantojot mašīnmācīšanās paņēmienus, mākslīgais intelekts var izskatīt lielu skaitu “zināmu labo” piemēru, lai atrastu modeļus, piemēram, starp noteiktu tekstu un tā izveides datumu un vietu,” piebilda Kvintons. "Bieži vien šie modeļi ir tik sarežģīti, ka cilvēku ekspertam tie nebūtu acīmredzami."
Trūkstošo datu prognozēšana ir parasts uz mašīnmācīšanos balstītas AI uzdevums. Piemēram, GPT-3 no OpenAI var paredzēt trūkstošus vārdus teikumā vai pat trūkstošus teikumus rindkopā. Un daudzas uz AI balstītas attēlu apstrādes sistēmas ir izmantotas, lai atjaunotu video un attēlus, saprātīgi prognozējot, kas ir pazaudēts no oriģināla.
“Konceptuāli pētnieki varētu izmantot līdzīgas metodes, lai noteiktu mākslas vai instrumentu vai citu vēsturisku cilvēka radītu artefaktu datumu un izcelsmi, ja ir sagaidāmas izmaiņas pamatā esošajā stilā un tehnikā laika gaitā un atkarībā no atrašanās vietas. izcelsme,” sacīja Kvintons.
