Las aplicaciones prácticas de los algoritmos de aprendizaje profundo mejoran los campos de la arqueología y la historia.
Cómo el aprendizaje profundo ayuda a los arqueólogos a redescubrir el pasadoLas aplicaciones prácticas de los algoritmos de aprendizaje profundo mejoran los campos de la arqueología y la historia.
Desde el campo del Reino Unido hasta los archivos del Vaticano, la inteligencia artificial (IA) y el aprendizaje profundo están cambiando la forma en que los arqueólogos redescubren el pasado.
Los arqueólogos están identificando nuevos sitios arqueológicos y otros posibles lugares de interés utilizando técnicas de aprendizaje profundo. Tradicionalmente, un ser humano vertía datos y tomaba la determinación de la ubicación de un sitio. El aprendizaje profundo hace que este proceso sea mucho más rápido.
VER: Guía del líder de TI para el aprendizaje profundo (Tech Pro Research)
Más información sobre la inteligencia artificial
Con el amplio uso de los datos de los sensores remotos en arqueología, el aprendizaje profundo permite al arqueólogo utilizar la máquina para gran parte del trabajo pesado que los humanos hacían anteriormente. Con las capacidades de reconocimiento de imágenes del aprendizaje automático, esto significa que se puede dedicar más tiempo a la verificación que a la identificación.
«Descubrí que la forma en que se ha hecho antes probablemente podría mejorarse con el uso del aprendizaje profundo», dijo Iris Kramer, una estudiante de doctorado en informática de la Universidad de Southampton en el Reino Unido.
Kramer, que obtuvo su licenciatura y maestría en arqueología, vio el potencial de los algoritmos de aprendizaje profundo en el campo de la arqueología debido a su capacidad de reconocimiento de imágenes.
«Mi interés en el aprendizaje profundo llegó al final de mi maestría, cuando hice mi tesis sobre la detección automatizada de arqueología en datos de teledetección», dijo Kramer. «Vi emerger un profundo aprendizaje y si los coches de autoconducción podrían estar en la carretera, entonces ¿por qué no podríamos hacer esto con la arqueología? Ese interés llevó a Kramer a seguir un programa de doctorado que combinaba el aprendizaje automático con la arqueología, aprendiendo a codificar el año entre la obtención de su maestría y el doctorado.
Ahora, Kramer utiliza algoritmos de aprendizaje profundo con conjuntos de datos de sensores remotos para mejorar la forma en que los arqueólogos trabajan con LiDAR, una tecnología de escaneo láser 3D. El LiDAR mide la distancia a un objetivo con luces láser pulsadas iluminantes, y luego mide los pulsos reflejados con un sensor. Se combina con datos arqueológicos establecidos para detectar patrones, que pueden indicar posibles puntos de interés arqueológico.
«Tenemos nuevas detecciones de posibles sitios, pero también podemos ahora, en lugar de buscar un solo objeto y hacer un enfoque basado en todo un grupo para este objeto; ahora podemos cambiar fácilmente a un nuevo objeto si queremos detectar un nuevo tipo de sitio en el que estemos interesados», dijo Kramer.
«Es como una herramienta para la evaluación de escritorio», continuó Kramer. «Si ellos[los arqueólogos] están interesados en ciertos objetos; si hay suficientes de esos sitios, entonces esta será otra manera de encontrar nuevos sitios, y eso es sólo para datos de sensores remotos».
Kramer añade que el aprendizaje profundo y las habilidades que vemos con él ahora funcionan también en pequeños conjuntos de datos.
Otros campos dentro de la arqueología pueden beneficiarse del aprendizaje profundo como una herramienta integrada, junto con otros enfoques. «Obviamente, hay muchos sitios arqueológicos que aún no han sido descubiertos, y con técnicas como éstas, casi se vuelve más interesante encontrar una manera más rápida de hacer las cosas», dijo Kramer.
Próximo boletín informativo de Big Thing
Conoce las ciudades inteligentes, la IA, la Internet de las cosas, la RV, la conducción autónoma, los aviones no tripulados, la robótica y más de las innovaciones tecnológicas más geniales. Entregado los miércoles y viernes
mismo