Yapay Zeka Artık Çivi Yazısı Karakterlerini Tanımlanabiliyor

Bazı insanların el yazısını okumak oldukça zor olabilir—özellikle de binlerce yıllık tabletlerdeki çivi yazısı karakterler söz konusuysa.

Artık, Orta Doğu üzerine çalışan araştırmacılar, yapay zekâ (AI) kullanarak tabletlerin fotoğraflarından çivi yazısı karakterlerini tanımlayabilir ve kopyalayabilir. Bu sayede, karmaşık metinleri daha kolay okuyabilecekler.

Mısır hiyeroglifleri ile birlikte, çivi yazısı bilinen en eski yazı sistemlerinden biri ve 1.000’den fazla benzersiz karakter içeriyor. Bu karakterlerin görünümü, dönemler, kültürler, coğrafya ve hatta bireysel yazarlara göre değişiklik gösterebiliyor, bu da onları yorumlamayı zorlaştırıyor.

Cornell ve Tel Aviv Üniversitesi’nden araştırmacılar, “ProtoSnap” adı verilen bir yöntem geliştirdi. Bu yöntem, bir karakterin prototipini tablete işlenmiş bireysel varyasyonlara uyacak şekilde “yerine oturtarak” karakterin daha doğru kopyalanmasını sağlıyor.

Yeni yöntem sayesinde herhangi bir karakterin doğru bir kopyası oluşturulabiliyor ve tüm tabletler yeniden üretilebiliyor.

“Antik dünyaya döndüğümüzde, karakterlerin biçiminde büyük bir değişkenlik görüyoruz” diyor araştırmayı yöneten Cornell Tech ve Cornell Ann S. Bowers Bilgisayar ve Bilgi Bilimleri Fakültesi’nde bilgisayar bilimi doçenti olan Hadar Averbuch-Elor. “Aynı karakter bile zaman içinde farklı görünüyor ve bu nedenle, karakterin gerçekte ne anlama geldiğini otomatik olarak çözmek oldukça zor bir problem.”

(İlgili: Yapay Zekâ, Herculaneum Papirüsünün İçini İlk Kez Ortaya Çıkardı)

Yüksek lisans öğrencisi ve çalışmanın eş-yazarı Rachel Mikulinsky, “ProtoSnap: Çivi Yazısı İşaretleri için Prototip Hizalama” başlıklı çalışmasını Nisan ayında Uluslararası Temsili Öğrenme Konferansı’nda (ICLR) sunacak.

Yapay Zekâ, Çözülmeyi Bekleyen Yüz Binlerce Tableti Okumaya Yardımcı Olabilir

Müzelerde yaklaşık 500.000 çivi yazılı tablet bulunduğu tahmin ediliyor, ancak bunların yalnızca küçük bir bölümü çevrildi ve yayınlandı. “Bu çivi yazılı metinlerin sonsuz sayıda 2B taraması var, ancak etiketlenmiş veri miktarı çok az” diyor Averbuch-Elor.

Bu taramaları otomatik olarak çözümleyip çözümleyemeyeceklerini görmek için ekip, görüntü üretimi gibi bilgisayarlı görü görevlerinde yaygın olarak kullanılan bir üretken yapay zekâ modeli olan difüzyon modelini uyguladı. Model, bir tabletteki karakter görüntüsünün her pikselini, o karakterin genel prototipiyle karşılaştırarak benzerlikleri hesapladı. Daha sonra bu iki versiyon hizalanarak şablon, gerçek karakterin vuruşlarına uygun şekilde “yerine oturtuldu.”

Elde edilen “yerine oturtulmuş” karakterler, optik karakter tanıma (OCR) gibi diğer yapay zekâ modellerini eğitmek için de kullanılabiliyor. Bu, tablet görüntülerini makine tarafından okunabilir metne dönüştürmeye olanak tanıyor. Araştırmacılar, bu verilerle eğitilen modellerin, önceki yapay zekâ yaklaşımlarına kıyasla çok daha iyi bir çivi yazısı karakteri tanıma performansı sergilediğini gösterdi. Özellikle nadir karakterleri veya çok fazla varyasyon gösteren sembolleri tanımada önemli iyileşmeler sağlandı.

Bu gelişme, tabletlerin kopyalanma sürecini otomatikleştirerek uzmanların sayısız saatlerini tasarruf etmelerini sağlayabilir. Ayrıca, farklı dönemler, şehirler ve yazarlar arasındaki karakterlerin büyük ölçekli karşılaştırmalarını mümkün kılabilir.

“Araştırmamızın temel amacı, elimizdeki antik kaynakları on kat artırmak” diyor çalışmanın eş-yazarı ve arkeoloji profesörü olan Yoram Cohen. “Bu, antik toplumların dini, ekonomik, sosyal ve hukuki yaşamları hakkında yeni ve ölçülebilir içgörüler elde etmemizi sağlayacak.”

Cornell University. 4 Mart 2025.

ProtoSnap: Prototype Alignment for Cuneiform Signs