概述
以已知語言恢復遺失的文字與確定未知腳本的意思不同。
深入探討
伊薩卡預測古希臘銘文中缺少的文本以及地理和時間歸屬。它使用文本上下文來產生候選修復體,學者根據銘文和歷史證據對其進行評估。 2019 年的另一篇神經解密論文評估了烏加里特語與希伯來語以及線性 B 語與希臘語;這些是單獨的語言對實驗,而不是從 Ugaritic 翻譯成 Linear B。它的輸入包括已知相關語言的非平行語料庫,因此不需要對齊的雙語句子。基於字元的序列到序列模型學習同源詞之間的對應關係。單調對齊正規化鼓勵保序字元映射,而最小成本流則限制跨詞彙表的全局單字分配。這些假設和基準測試結果並不能證明不相關、記錄不充分的腳本已被破解。學者們必須根據獨立的語境和語言證據來測試所提出的讀物。
現實世界的實施
使用伊薩卡對古希臘銘文的候選修復體進行排名。
將提議的日期和地點與歷史證據進行比較。
使用已知的相關語言研究字符和單字的對應關係。
保留可供專家評估的替代讀物。
人工智慧在古代語言破解的未來
人工智慧輔助破解是一種研究輔助。報告不確定性並避免聲稱腳本已在未經學術驗證的情況下被解碼。
付諸實踐
為什麼這很重要
- 配裝選擇. 應用級設計決定了人工智慧是否能改善實際結果。
- 團隊與工作流程. 良好的工作流程整合可以創造使用者值得信賴的生產力效益。
- 風險與安全. 範圍明確的用例可以減少變更疲勞和實施風險。
留意
- 將損壞的流程自動化可能會加劇現有問題。
- 團隊可能會過度自動化並消除所需的人工判斷。
- 如果不持續評估輸出,品質可能會出現偏差。
後續步驟
- 繪製目前工作流程並確定摩擦最大的步驟。
- 在完全自動化之前定義人工檢查點。
- 對使用者進行提示、升級路徑和品質標準的訓練。
- 追蹤任務級結果以確認持續價值。
不斷探索
常見問題
古代語言破解中的人工智慧是什麼?
人工智慧可以為學術分析提出修復和語言對齊建議。以已知語言恢復遺失的文字與確定未知腳本的意思不同。
DeepMind 的伊薩卡模型對古希臘銘文有何作用?
伊薩卡接受了數以萬計的希臘銘文的訓練,以修復受損的段落並預測它們的書寫時間和地點,從而為歷史學家提供幫助。
當古代文本破損或磨損時,序列模型有何幫助?
該模型在完整文本上進行訓練,透過預測可能的字元(類似於自動完成)來填補掩蓋的空白,並提供排名的候選者。
2019 年神經解密論文鼓勵同源詞採用什麼字元對齊假設?
該論文將同源對齊規範化為單調重寫,作為語言建模假設。它並不是所有語言變化的普遍規律。
什麼是破解上下文中的跨語言對齊?
透過將未知語言映射到假設的親屬上,並對是否出現真實單字進行評分,研究人員可以測試關係,就像烏加里特語和希伯來語所做的那樣。
這些模型通常如何在內部表示腳本?
腳本被視為文字序列;該模型了解哪些符號傾向於遵循哪些符號,從而實現復原和模式發現。