Bilgisayarlara Eski Çömlekleri Sınıflandırmak Öğretiliyor

Arkeologlar, yeni bir teknolojinin, eski toplumların geride bıraktığı kırık parçaları inceleme yöntemlerini değiştireceğini umuyorlar.

“Deep Learning” sistemi,, bu parça türlerinin doğru ve tekrarlanabilir bir şekilde sınıflandırılmasını sağlıyor. C: Chris Downum

Kuzey Arizona Üniversitesi Antropoloji Departmanından bir ekip, eski toplumları inceleyen birçok bilim insanının uzun zamandır hayalini kurduğu karmaşık bir görevi bilgisayarlara öğretmeyi başardı. Bu görev, binlerce çanak çömlek tasarımını hızlı ve tutarlı bir şekilde birden çok stil kategorisine göre sınıflandırmak. Arkeologlar, Convolutional Neural Networks (CNNs) olarak bilinen makine öğrenimini kullanarak, görsel bilgiyi analiz etmede insan zihninin düşünce süreçlerini kabaca taklit eden bilgisayarlı bir yöntem yarattılar.

Antropoloji Bölümü yardımcı öğretim üyesi Leszek Pawlowicz, “Artık bilgisayarlar, çanak çömleklerin dijital fotoğraflarını kullanarak, kırılmış çanak çömlek parçalarını fiziksel olarak gruplara ayıran arkeologların yüzlerce saatlik sıkıcı, zahmetli ve göz yorucu çalışmalarını çok kısa sürede ve daha büyük bir tutarlılıkla gerçekleştirebiliyor.” diyor. 

(Yapay Zeka Antik Dillerin Çevrilmesinde Kullanılabilir)

Pawlowicz ve antropoloji profesörü Chris Downum, 2016 yılında, kırık çanak çömlek parçalarını, bilinen çanak çömlek türlerine göre sınıflandırmak için bir bilgisayar kullanmanın fizibilitesini araştırmaya başladı. Araştırmalarının sonuçları Journal of Archaeological Science Haziran sayısında bildirildi 

Downum, “Güneybatı Amerika’ya dağılmış binlerce arkeolojik alanın çoğunda, arkeologlar genellikle çanak çömlek parçaları olarak bilinen kırık çanak çömlek parçaları bulur. Bu parçaların çoğu, hem üretildikleri genel zaman dilimini hem de yapıldıkları yerler ile ilişkili ‘tip’ adı verilen önceden tanımlanmış stilistik kategorilere ayrılabilecek tasarımlara sahip olur. Tüm bu bunlar, arkeologlara bir alanda iskan edilen zaman, ilişkili olduğu kültürel grup ve etkileşimde bulunulan diğer gruplar hakkında kritik bilgiler sağlar.” diyor.

Araştırma, görüntüleri tiplere, özellikle de CNN’lere göre sınıflandırmak için makine öğreniminin kullanımındaki son ilerlemelere dayanıyordu. CNN’ler bugün bilgisayar görüntü tanımada, tıbbi durumlar için X-ray görüntülerinden, arama motorlarındaki eşleşen görüntülere, kendi kendine giden arabalara kadar her şey için kullanılan bir dayanak noktası. Pawlowicz ve Downum’a göre, eğer CNN’ler bir tüketicinin beğenebileceği köpek türleri ve ürünler gibi şeyleri tanımlamak için kullanılabiliyorsa, neden bu yaklaşımı eski çanak çömlek analizine uygulanmasın?

Bugüne kadar, çanak çömlek üzerinde tanısal tasarım özelliklerini tanıma süreci zor ve zaman alıcı oldu. Tasarım kategorilerini kırık bir çanağın küçük parçalarına doğru bir şekilde uygulamak ve bunda ustalaşmak aylarca veya yıllarca eğitim gerektirebiliyordu. Daha da kötüsü, süreç insan hatasına açıktı çünkü uzman arkeologlar genellikle hangi tipin bir parça ile temsil edildiği konusunda anlaşamıyorlardı ve karar verme sürecini kelimelerle ifade etmekte zorlanabiliyorlardı. Makalenin isimsiz bir hakemi bunu “kimsenin yeterince bahsetmediği arkeolojideki kirli sır” olarak nitelendirdi.

Daha verimli bir süreç oluşturmaya kararlı olan Pawlowicz ve Downum, kuzeydoğu Arizona’nın çoğundan ve yakın eyaletlerden, Tusayan Beyaz çömleği olarak bilinen belirli tanımlayıcı fiziksel özelliklere sahip binlerce çanak çömlek parçasının resmini topladı. Daha sonra, her parça adına çanak çömlek tasarım tipi belirlemek ve makinenin öğrenebileceği bir parçaların ‘eğitim setini’ oluşturmak için, Güneybatı’nın en iyi dört çanak çömlek uzmanını işe aldılar. Son olarak, arkeologların üzerinde anlaştıkları çanak çömlek örneklerine odaklanarak, makineyi çanak çömlek türlerini öğrenmesi için eğittiler.

Pawlowicz, “Sonuçlar dikkat çekiciydi. Nispeten kısa bir süre içinde bilgisayar çömlekleri tanımlamak için, insan uzmanlarla karşılaştırılabilir, hatta bazen onlardan daha doğru bir biçimde olacak şekilde kendini eğitti.” diyor.

On binlerce gerçek çanak çömlek parçasını ayıklama konusunda onlarca yıllık deneyime sahip dört arkeolog için, makine ikisinden daha iyi, diğer ikisiyle de karşılaştırılabilir biçimde performans gösterdi. Daha da etkileyici olanı, makine, verdiği sınıflandırma kararlarını neden verdiğini açıklayarak birçok arkeologun zorluk yaşayabileceği şeyi yapabildi. Parçaların renk kodlu ısı haritalarını kullanan makine, sınıflandırma kararlarını vermek için kullandığı tasarım özelliklerine dikkat çekerek “düşüncelerinin” görsel bir kaydını sağladı.

Downum, “Bu sürecin heyecan verici bir yan ürünü, bilgisayarın, bireysel parçalar tarafından temsil edilen belirli çanak çömlek tasarım parçalarının neredeyse tam eşleşmelerini bulma yeteneğiydi. Tasarımlar için CNN’den türetilen benzerlik ölçütlerini kullanan makine, tek bir çanak çömlek tasarımının en benzer karşılığını bulmak için binlerce görüntü arasında arama yapabildi.” diyor.

Pawlowicz ve Downum, bu yeteneğin bir bilgisayarın eski bir çöplükten alınan çok sayıda benzer parça içinden tek bir kırık çanağın dağılmış parçalarını bulmasına veya birden fazla eski topluluktaki stilistik benzerliklerin ve farklılıkların bölge çapında bir analizini yapmasına izin verebileceğine inanıyor. Yaklaşım ayrıca, ağaç halkası yöntemi kullanılarak tarihlenmiş yapılardan çıkan belirli çanak çömlek tasarımlarını daha iyi ilişkilendirebilir.

Araştırmaları şimdiden yüksek övgü alıyor.

Virginia Üniversitesi’nde fahri arkeoloji profesörü ve “Tarih Öncesi Seramiklerde Stilistik Varyasyon” kitabının yazarı olan Stephen Plog, “Güneybatılı arkeologların bu yaklaşımı benimsemelerini ve bunu hızlı bir şekilde yapmalarını büyük bir hevesle umuyorum. Bu gerçekten çok mantıklı. Eski sistemden çok şey öğrendik, fakat eski sistem kullanışlılığının ötesine geçti ve çömlek tasarımlarını analiz etme şeklimizi değiştirmenin zamanı geldi.” diyor.

Araştırmacılar, CNN modelinin sınıflandırma uzmanlığının pratik uygulamalarını araştırıyor ve teknolojiyi diğer arkeologlarla paylaşmak için ek dergi makaleleri üzerinde çalışıyor. Çanak çömleklerin arkeolojik analizine yönelik bu yeni yaklaşımın diğer antik eser türlerine uygulanabileceğini umuyorlar. Umdukları bir diğer şeyse, arkeolojinin, arkeolojik çabaların daha fazla verimliliğine ve yeni nesil öğrencilere çömlek tasarımlarını öğretmenin daha etkili yöntemlerine yol açan yeni bir makine sınıflandırma aşamasına girebilmesi.


Northern Arizona University. 17 Mayıs 2021.

Bilkent Üniversitesi Arkeoloji Bölümü mezunu.

You must be logged in to post a comment Login