American National Standards Institute Inc.

Tutti sappiamo che l’intelligenza artificiale viene utilizzata nei più svariati campi. Ma avremmo mai immaginato di vedere una rete neurale nel mondo dell’archeologia?

Intelligenza artificiale e archeologia sembrano essere due mondi così distanti, ma il progetto di cui sto per parlare smentisce tutto ciò.

Il protagonista di questo studio è il Dott. Gino Caspari, un archeologo ricercatore con la Swiss National Science Foundation.

Negli ultimi anni, si è occupato dello studio degli Sciti, una popolazione nomade guerriera europea vissuta tra il XIX secolo a.C. al IV secolo.

Le tombe dei nobili Sciti contengono ricchezze depredate a diverse popolazioni.

Proprio per questo, dal momento in cui la salma veniva sotterrata, questi tumuli divenivano vittime del saccheggio. Probabilmente il 90% delle tombe sono state distrutte.

Ma Caspari ha ipotizzato che vi fossero migliaia di queste tombe sparse per la steppa tra Europa ed Asia.

In che modo trovare questi siti archeologici in un’area così vasta?

Per mappare queste tombe, il ricercatore ha passato ore e ore ad analizzare le immagini di Google Earth.

Un esempio di immagine di Google Earth

L’area di interesse è enorme, poiché copre zone di Russia, Mongolia e Cina.

Si tratta di un lavoro ripetitivo, che richiede moltissimo tempo: era necessario un approccio diverso.

La svolta avvenne quando, all’International House di New York, l’archeologo conobbe Pablo Crespo, all’epoca appena laureato in economia.

Crespo in quel periodo lavorava con l’intelligenza artificiale nel campo della finanza.

Ciò ha condotto all’intuizione di risolvere il problema di natura archeologica utilizzando l’intelligenza artificiale.

Crespo era convinto che ciò di cui l’archeologo aveva bisogno fosse una rete neurale convoluzionale, che cercasse le immagini dei satelliti al suo posto.

Nacque così un’insolita collaborazione, che portò all’ideazione di un approccio di analisi archeologica innovativa e all’avanguardia.

Ma cos’è una rete neurale convoluzionale?

Una rete neurale convoluzionale (CNN) è un tipo di rete neurale, la cui struttura è ispirata alla corteccia visiva animale.

Differisce dalle normali reti neurali per la presenza di livelli di convoluzione nella struttura, che in maniera semplicistica possiamo identificare con dei filtri.

Questi filtri servono a semplificare i dati di input per individuarne pattern specifici tramite i quali la rete riesce a distinguere le diverse classi di dati.


Un esempio schematico di una rete neurale convoluzionale

Questa breve descrizione ci fa capire quanto queste reti siano adatte ad analizzare immagini e video.

Le reti neurali convoluzionali interpretano facilmente le immagini, essendo matrici, o più semplicemente griglie, di pixel.

Una rete neurale convoluzionale per identificare le tombe degli Sciti e non solo.

I due studiosi hanno iniziato ad utilizzare una rete neurale convoluzionale, avendo a disposizione 1212 immagini dei satelliti.

L’obbiettivo era identificare le tombe circolari di pietra degli Sciti nelle immagini.

Ciascuna immagine copriva uno spazio di 2000 miglia quadre: per allenare il modello i ricercatori hanno utilizzato tre quarti delle immagini.

Addestrare il modello significa far comprendere allo stesso come sia fatta la tomba in questione, per renderla identificabile.

Ciò avviene perché alla rete neurale vengono forniti esempi in cui la tomba è presente nell’immagine, permettendole di imparare a individuarla.

Prima di arrivare alla soluzione finale, sono state fatte serie di correzioni dei parametri, volte a migliorare il modello.

Si è arrivati così ad identificare correttamente il 98% delle immagini con una tomba.

Grazie a questa rete neurale risultava più semplice trovare i siti archeologici.

I vantaggi dell’utilizzo delle reti neurali.

A questo caso di successo, se ne aggiungono altri nel campo dell’archeologia.

Il progetto ArchAIDE, ideato da due archeologi italiani è un altro caso esemplare.

Questa applicazione identifica, tramite reti neurali convoluzionali, diversi tipi di ceramiche, rinvenute dagli scavi, fotografandole.

ArchAIDE semplifica e velocizza un lavoro lungo e tedioso come la classificazione delle ceramiche.

Un altro esempio lo troviamo nel campo dell’archeologia subacquea.

Una rete neurale convoluzionale che, analizzando le scansioni sonar di un robot subacqueo, identifica relitti e altri siti nelle profondità marine.

In generale, è evidente che le reti neurali sono in grado di svolgere con successo compiti che per l’uomo risultano ripetitivi e poco sfidanti.

In questo articolo abbiamo visto come l’archeologia ha tratto grossi benefici dalle reti neurali.

Dunque ci rendiamo conto che l’intelligenza artificiale può semplificare e ottimizzare moltissime procedure in diversi ambiti.

Fonte: How Archaeologists Are Using Deep Learning to Dig Deeper

Condividi su facebook
Condividi su twitter
Condividi su linkedin
Condividi su whatsapp
Condividi su telegram
Edoardo Di Toma

Edoardo Di Toma

Junior Data Scientist in Vedrai S.p.A. e laureato in Management e Finanza. Ho completato il master in Data Science e Intelligenza Artificiale di Talent Garden Innovation School. Oltre che di data science, sono appassionato di musica, boardgames, calcio e tanto altro.

Iscriviti
Notificami
guest
0 Commenti
Inline Feedback
Vedi tutti i commenti