Преглед
AI сканира сателитни изображения, въздушни снимки и лазерно сканиран терен, за да открие заровени или скрити археологически обекти, които хората-геодезисти биха пропуснали. Той драстично ускорява търсенето в пейзажи, които са твърде обширни, за да се върви пеша.
AI в откриването на археологически обекти се фокусира върху практическото внедряване: превръщане на способността на модела в надеждни ежедневни работни процеси, които осигуряват измерима стойност.
Дълбоко гмуркане
Археолозите все повече използват машинно обучение, за да откриват обекти, без първо да копаят. Конволюционните невронни мрежи се обучават върху обозначени примери на известни характеристики (могили, древни пътища, полеви системи, основи на сгради) и след това сканират огромни области от изображения за подобни модели. Ключов източник на данни е LiDAR, който изстрелва лазерни импулси от самолети или дронове и измерва връщането им, за да изгради прецизен 3D модел на земята. Тъй като лазерът прониква в празнини в растителността, LiDAR може да разкрие земни работи, скрити под гъст горски покрив. AI помогна да се картографират хиляди структури на маите под гватемалската джунгла и елементи от римската епоха в цяла Великобритания. Мултиспектралните и термичните изображения добавят допълнителни улики, тъй като заровените стени и канавки променят начина, по който почвата задържа влагата и топлината.
Техническа информация
Облаците от точки LiDAR се преобразуват в цифрови модели на релефа, след което се подобряват с визуализации като модели на хълмове, наклон и местни релефни модели, които преувеличават фините неравности и вдлъбнатини. CNN, обучен на тези обработени изображения, научава геометричните сигнатури на създадени от човека елементи спрямо естествения терен. От решаващо значение е, че моделите маркират кандидати за експерти, които да проверят на място, тъй като растителността, геологията и съвременните смущения произвеждат много фалшиви положителни резултати.
Овладяване на AI при откриване на археологически обекти
AI сканира сателитни изображения, въздушни снимки и лазерно сканиран терен, за да открие заровени или скрити археологически обекти, които хората-геодезисти биха пропуснали. Той драстично ускорява търсенето в пейзажи, които са твърде обширни, за да се върви пеша. AI в откриването на археологически обекти се фокусира върху практическото внедряване: превръщане на способността на модела в надеждни ежедневни работни процеси, които осигуряват измерима стойност. За да изградите дълбоко разбиране, третирайте AI в откриването на археологически обекти като оперативен модел, а не като отделна функция: дефинирайте желаните резултати, изяснете предположенията и отделете това, което системата може да направи надеждно, от това, което все още изисква експертна преценка.
На практика силните екипи, използващи AI в откриването на археологически обекти, се фокусират върху резултатите от работния процес, а не върху демонстрационните модели и определят човешки контролни точки на ранен етап. Те документират изрични критерии за успех, тестват срещу реалистични данни и работни потоци и повтарят въз основа на наблюдавани модели на неуспех, а не на еднократни победи в бенчмарка. Това е мястото, където теоретичното разбиране се превръща в трайна способност за продукти, политики и операции.
Дизайнът на ниво приложение определя дали AI подобрява реалните резултати. В същото време автоматизирането на повреден процес може да засили съществуващите проблеми. Най-устойчивият подход е да се комбинира скоростта на експериментиране с дисциплината на управление: стартирайте пилотни проекти, събирайте доказателства, публикувайте регистрационни файлове за решения и непрекъснато актуализирайте предпазните мерки, докато поведението на модела, очакванията на потребителите и регулаторните изисквания се развиват.
Стратегическо въздействие
Дизайнът на ниво приложение определя дали AI подобрява реалните резултати.
Дизайнът на ниво приложение определя дали AI подобрява реалните резултати. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Добрата интеграция на работния процес създава печалби в производителността, на които потребителите могат да се доверят.
Добрата интеграция на работния процес създава печалби в производителността, на които потребителите могат да се доверят. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Добре обхванатите случаи на употреба намаляват умората от промяна и риска от внедряване.
Добре обхванатите случаи на употреба намаляват умората от промяна и риска от внедряване. При висококачествени внедрявания това се превръща в измерими правила за работа, граници на собствеността и повтарящи се ритуали за преглед, така че екипите да могат да мащабират доверието, вместо да мащабират неяснотата.
Внедряване в реалния свят
Проучването PACUNAM LiDAR използва въздушно лазерно сканиране, за да разкрие повече от 60 000 неизвестни досега структури на маите, скрити под тропическите гори на Гватемала.
Изследователите обучиха невронни мрежи на данни от LiDAR, за да картографират автоматично праисторически могили и келтски полеви системи в части от Холандия и Великобритания.
Анализът на сателитни изображения помогна на екипа на Сара Паркак да идентифицира потенциални заровени гробници, селища и пирамиди в Египет, подход, популяризиран като „космическа археология“.
Машинното обучение на сателитни времеви серии е използвано за откриване и проследяване на грабежни ями в обекти в Сирия и Ирак по време на периоди на конфликт.
Модели на изпълнение
AI в откриването на археологически обекти на практика
Проучването PACUNAM LiDAR използва въздушно лазерно сканиране, за да разкрие повече от 60 000 неизвестни досега структури на маите, скрити под тропическите гори на Гватемала.
Проучването на PACUNAM LiDAR използва въздушно лазерно сканиране, за да разкрие повече от 60 000 неизвестни досега структури на маите, скрити под тропическите гори на Гватемала. Екипите обикновено получават по-добри резултати, когато определят праговете за качество предварително, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
AI в откриването на археологически обекти на практика
Изследователите обучиха невронни мрежи на данни от LiDAR, за да картографират автоматично праисторически могили и келтски полеви системи в части от Холандия и Великобритания.
Изследователите обучиха невронни мрежи на данни от LiDAR, за да картографират автоматично праисторически надгробни могили и келтски полеви системи в части от Холандия и Великобритания. Екипите обикновено получават по-добри резултати, когато определят предварително прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
AI в откриването на археологически обекти на практика
Анализът на сателитни изображения помогна на екипа на Сара Паркак да идентифицира потенциални заровени гробници, селища и пирамиди в Египет, подход, популяризиран като „космическа археология“.
Анализът на сателитни изображения помогна на екипа на Sarah Parcak да идентифицира потенциални заровени гробници, селища и пирамиди в Египет, подход, популяризиран като „космическа археология“. Екипите обикновено получават по-добри резултати, когато предварително определят праговете за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
AI в откриването на археологически обекти на практика
Машинното обучение на сателитни времеви серии е използвано за откриване и проследяване на грабежни ями в обекти в Сирия и Ирак по време на периоди на конфликт.
Машинното обучение на сателитни времеви серии е използвано за откриване и проследяване на грабежни ями в обекти в Сирия и Ирак по време на периоди на конфликт. Екипите обикновено получават по-добри резултати, когато предварително определят прагове за качество, поддържат път на човешка ескалация за крайни случаи и проследяват както печалбите в производителността, така и разходите за грешки във времето.
Рискове и предпазни огради
Автоматизирането на счупен процес може да засили съществуващите проблеми.
Екипите могат да автоматизират прекалено и да премахнат необходимата човешка преценка.
Качеството може да се промени, ако резултатите не се оценяват непрекъснато.
Пътна карта за изпълнение
Картирайте текущия работен процес и идентифицирайте стъпката с най-голямо триене.
Картирайте текущия работен процес и идентифицирайте стъпката с най-голямо триене. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Определете човешки контролни точки преди пълна автоматизация.
Определете човешки контролни точки преди пълна автоматизация. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Обучете потребителите на подкани, пътища за ескалация и стандарти за качество.
Обучете потребителите на подкани, пътища за ескалация и стандарти за качество. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.
Проследявайте резултатите на ниво задача, за да потвърдите устойчива стойност.
Проследявайте резултатите на ниво задача, за да потвърдите устойчива стойност. Отнасяйте се към всяка стъпка като към вход за доказателства: ако критериите не са изпълнени, поставете на пауза разпространението, запълнете празнината и едва след това разширете използването.