Im Februar 2025 gab der AI4Culture Hackathon eine Herausforderung heraus: KI-Tools nutzen, um Daten zum digitalen Kulturerbe innovativ zu transformieren, zu erforschen oder zu präsentieren. Die AI4Culture-Plattform enthält eine Fülle von Ressourcen, um diese Projekte zu füttern: Datensätze von Einrichtungen des Kulturerbes und des Datenraums für das Kulturerbe, ein Arsenal an KI-Instrumenten, Schulungsressourcen und Weiterbildungsmaterialien.
Fünf Teams nahmen diese Herausforderung an und entwickelten ansprechende Anwendungsfälle, in denen innovative KI-Tools und Datensätze zum Kulturerbe kombiniert wurden. Entdecken Sie Ihre Projekte unten.
"Wir hatten viel Spaß daran, herauszufinden, welche Daten über Europeana verfügbar waren, auch wenn wir am Ende andere Quellen verwendet haben!", sagte Teilnehmer Laurens Dhaenens.
ABC: Automatisieren des Blender-Codes
Das Team von Zita Baronnet, Francesco Gavioli und Lara Peeters wollte 2D-Objekte aus Bildern extrahieren und mithilfe von KI in 3D-Modelle umwandeln und den 3D-Modellierungsprozess automatisieren. Ihr Ziel war es, den zeitaufwändigen und technisch komplexen Workflow bei der Erstellung von 3D-Modellen für Kulturerbeanwendungen zu rationalisieren. Das Team verwendete die Europeana API, SegmentAnything, und das HuggingFace-Modell für das 3D-Asset, um eine Pipeline zu erstellen, die ein 2D-Bild von Europeana aufnahm und ein 3D-Modell zur Wiederverwendung in Blender (Software zur Erstellung von 3D-Computergrafiken) ausgab. Erkunden Sie Ihr Projekt.
Patina: de:Farbe der Zeit
Dieses Projekt von Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi und Stefano Fanelli konzentrierte sich auf das Thema Kunstdegradation und Patinabildung und zielte darauf ab, ein Werkzeug zu schaffen, das die Alterung digitalisierter Kunstwerke identifiziert und kommuniziert.
Das Team erstellte einen Trainingsdatensatz von Kunstwerken, die von Patina und Alterung betroffen waren, zusammen mit Scans dieser Kunstwerke, bevor sie vom Alter betroffen waren. Sie nutzten ein Convolutional Neural Network (CNN) zur Bildklassifizierung und entwickelten ein Webinterface für die Wissenschaftskommunikation. Das Team identifizierte das Problem der begrenzten Trainingsdaten und die Notwendigkeit genauerer Modelle.
Wir schauen uns diese Bilder die ganze Zeit an, aber wir vergessen, dass sie von der Zeit geformt sind. Wir wollen diese Schicht hinzufügen, die da ist, aber unsichtbar ist. Was wir zeigen wollen, ist die Form der Zeit." - Stefanie de Winter
Tiefkultur
Das DeepCulture-Team, bestehend aus Ioannis Kapsalis, Katerina Zourou, Hannieh Habibi und Marianna Ziku, zielte darauf ab, Sentiment-Analysen von Kulturerbedaten durchzuführen, um versteckte Erzählungen und Verbindungen aufzudecken.
ArcAIVision
Das ArcAIVision-Team von Sercan Kıyak, Knar Ohanjanyan und Elçin Istif Inci entwickelte ein KI-Tool, um migrationsbezogene Themen in historischen Videos zu erkennen, mit dem Ziel, versteckte Verbindungen und vergessene Geschichten in Archivmaterial aufzudecken.
Sie extrahierten Videoinhalte vom Netherlands Institute for Sound and Vision aus der Europeana API und nutzten BERTopic für Themenmodellierung und K-Nearest Neighbors (K-NN) Clustering, um aus Videos extrahierte Frames zu analysieren. Das Team befasste sich mit den inhärenten Herausforderungen bei der Bewältigung von Verzerrungen in Metadaten. Obwohl das Thema Modellierung von KI ähnliche Themen korrekt zusammen gruppiert hat, hat das Team migrationsbezogene Begriffe und Frames manuell gruppiert.
Was wäre, wenn wir die Geschichte durch eine neue Linse sehen könnten - eine, die verborgene Verbindungen und vergessene Geschichten enthüllt? Es gibt riesige Mengen an Archivmaterial, die schwer zu navigieren sind. Es ist nicht nur schwer zu navigieren, sondern die traditionellen Metadaten sind begrenzt und oft voreingenommen. Das macht es schwierig, Themen, Emotionen und mehr in diesen Datensätzen zu analysieren." - Knar Ohanjanyan
Un2strukturiert
Dieses Projekt von Arnoud Wils zielte darauf ab, strukturierte JSON-Daten aus unstrukturierten PDF-Dateien im Corpus Rubenianum zu extrahieren, wobei der Schwerpunkt auf Provenienz- und Ikonografieinformationen lag.
Sie verwendeten Llamaparse, Llamaindex, Cohere LLM API und Pydantic für die Datenextraktion und -strukturierung. Un2Structured optimierte ihre Vorlagenaufforderungen ausgiebig, um die gewünschten Ergebnisse zu erhalten. Sie warfen auch gültige Fragen auf, wie diese extrahierten Daten wertgeschätzt werden können.
Möchten Sie mit Hilfe von Kulturerbedaten an Ihren eigenen innovativen Projekten arbeiten? Entdecken Sie die Europeana-APIs.