Когда искусственный интеллект (ИИ) позволит заново открыть древние исторические сокровища. Израильским исследователям удалось собрать воедино вавилонские письмена, нанесенные на глиняные таблички, с помощью модели глубокого обучения.
Реконструировать неразборчивые надписи на глиняных табличках теперь можно благодаря «глубокому обучению», этой отрасли искусственного интеллекта.
В Месопотамии были найдены сотни тысяч глиняных табличек. Это не означает, что их выгравированные тексты доступны нам:большая часть надписей была повреждена на протяжении веков, что сделало их нечитаемыми... до сегодняшнего дня. В исследовании, опубликованном 1 st Сентябрь 2020 года в PNAS ученые, специализирующиеся в области искусственного интеллекта и археологии, объясняют, как им удалось раскопать административные тексты, написанные аккадской клинописью во времена вавилонской цивилизации империи Ахеменидов (539–331 гг. до н.э.).
Прошлое постепенно открывается заново
Идентификация нечитаемых слов стала возможной благодаря искусственному интеллекту, в частности одной из его форм, глубокому обучению (см. ниже), через рекуррентную искусственную нейронную сеть (RNN). Эта модель уже апробирована при автоматическом переводе текстов:она начинается с изучения предложений корпуса текстов для расшифровки их тонкостей; посредством повторения сеть уточнит свое понимание структуры и значения этого корпуса, чтобы угадать недостающие слова оригинальных текстов.
«Глубокое обучение» или «глубокое обучение» — это процесс, основанный на искусственном интеллекте:он включает в себя заставить программное обеспечение работать путем обучения, как это делают нейроны человеческого мозга, на уже встречающихся формах и объектах.
Выбор административных текстов не случаен:эти документы имеют строгую и схожую структуру, что облегчает их анализ с помощью модели глубокого обучения. Таким образом, с помощью модели глубокого обучения был проанализирован корпус, состоящий из 1400 «транслитерированных» текстов, то есть транспонированных из оригинальной клинописной версии в версию, переведенную на латиницу.
В ходе исследования модель была протестирована на 52 вопросах с несколькими вариантами ответов, которые ученые взяли из текстов табличек. Каждый раз целью ИИ было найти недостающее слово из 52 предложений среди четырех вариантов. Он сделал правильный выбор в 88,5% случаев. Исследователи считают, что их «модель, как и ожидалось, хорошо распознавала структуру предложений» . Что еще более удивительно, это также было «в распознавании смысла предложений» , можно почитать в исследовании.
Экономия времени
Хотя модели глубокого обучения хорошо работают с современными латинскими алфавитами, этого нельзя сказать о алфавитах с более сложными формами, таких как арабский, или скриптах с небольшим количеством доступных цифровых записей, таких как аккадский. Для исследователей расширенные базы данных позволят в будущем дополнять тексты из различных, более сложных литературных жанров, таких как наука или литература.
РНН могла бы облегчить работу историков, исследователей или студентов по Империи Ахеменидов. Именно эту цель поставили перед собой авторы, интегрировав свою модель в Атрахасис. , полезный цифровой инструмент для восстановления испорченных клинописных текстов.
