Τον Φεβρουάριο του 2025, ο μαραθώνιος hackathon AI4Culture δημοσίευσε μια πρόκληση: να χρησιμοποιούν εργαλεία ΤΝ για τον καινοτόμο μετασχηματισμό, την έρευνα ή την προβολή δεδομένων ψηφιακής πολιτιστικής κληρονομιάς. Η πλατφόρμα AI4Culture περιέχει πληθώρα πόρων για την τροφοδότηση αυτών των έργων: σύνολα δεδομένων από ιδρύματα πολιτιστικής κληρονομιάς και ο χώρος δεδομένων για την πολιτιστική κληρονομιά, ένα οπλοστάσιο εργαλείων ΤΝ και πόρων κατάρτισης και υλικού αναβάθμισης των δεξιοτήτων.
Πέντε ομάδες ανταποκρίθηκαν στην πρόκληση αυτή και κατέληξαν σε ενδιαφέρουσες περιπτώσεις χρήσης που συνδυάζουν καινοτόμα εργαλεία ΤΝ και σύνολα δεδομένων πολιτιστικής κληρονομιάς. Εξερευνήστε τα έργα σας παρακάτω.
«Είχαμε πολλή διασκέδαση εξερευνώντας ποια δεδομένα ήταν διαθέσιμα μέσω της Europeana, ακόμη και αν στο τέλος χρησιμοποιήσαμε άλλες πηγές!», δήλωσε ο συμμετέχων Laurens Dhaenens.
ΑΒΓ: Αυτοματοποίηση του κώδικα μπλέντερ
Η ομάδα των Zita Baronnet, Francesco Gavioli και Lara Peeters είχε ως στόχο να εξαγάγει 2D αντικείμενα από εικόνες και να τα μετατρέψει σε 3D μοντέλα χρησιμοποιώντας AI, αυτοματοποιώντας τη διαδικασία 3D μοντελοποίησης. Στόχος τους ήταν ο εξορθολογισμός της χρονοβόρας και τεχνικά πολύπλοκης ροής εργασιών για τη δημιουργία τρισδιάστατων μοντέλων για εφαρμογές πολιτιστικής κληρονομιάς. Η ομάδα χρησιμοποίησε το API της Europeana, το SegmentAnything και το μοντέλο HuggingFace για να δημιουργήσει έναν αγωγό που πήρε μια δισδιάστατη εικόνα από την Europeana και εξήγαγε ένα τρισδιάστατο μοντέλο για επαναχρησιμοποίηση στο Blender (λογισμικό για τη δημιουργία τρισδιάστατων γραφικών υπολογιστών). Εξερευνήστε το έργο τους.
Πατίνα: de: χρώμα του χρόνου
Το έργο αυτό από τους Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi και Stefano Fanelli επικεντρώθηκε στην αντιμετώπιση του ζητήματος της υποβάθμισης της τέχνης και του σχηματισμού πατίνας, με στόχο τη δημιουργία ενός εργαλείου που αναγνωρίζει και επικοινωνεί τη γήρανση των ψηφιοποιημένων έργων τέχνης.
Επιδίωξαν να ενισχύσουν την κατανόηση του κοινού σχετικά με τον τρόπο με τον οποίο ο χρόνος διαμορφώνει την τέχνη. Η ομάδα δημιούργησε ένα σύνολο εκπαιδευτικών δεδομένων έργων τέχνης που επηρεάστηκαν από την πατίνα και τη γήρανση, μαζί με σαρώσεις αυτών των έργων τέχνης πριν επηρεαστούν από την ηλικία. Χρησιμοποίησαν ένα Convolutional Neural Network (CNN) για την ταξινόμηση της εικόνας και ανέπτυξαν μια διαδικτυακή διεπαφή για την επικοινωνία της επιστήμης. Η ομάδα εντόπισε το ζήτημα της ύπαρξης περιορισμένων δεδομένων εκπαίδευσης και την ανάγκη για ακριβέστερα μοντέλα.
Κοιτάμε αυτές τις εικόνες όλη την ώρα, αλλά ξεχνάμε ότι είναι διαμορφωμένες από το χρόνο. Θέλουμε να προσθέσουμε αυτό το στρώμα που υπάρχει αλλά είναι αόρατο. Αυτό που θέλουμε να δείξουμε είναι το σχήμα του χρόνου» - Stefanie de Winter
Βαθυκαλλιέργεια
Η ομάδα DeepCulture, αποτελούμενη από τους Ιωάννη Καψάλη, Κατερίνα Ζούρου, Hannieh Habibi και Marianna Ziku, είχε ως στόχο να πραγματοποιήσει ανάλυση συναισθημάτων σε δεδομένα πολιτιστικής κληρονομιάς για να αποκαλύψει κρυμμένες αφηγήσεις και συνδέσεις.
ArcAIVision
Η ομάδα ArcAIVision των Sercan Kıyak, Knar Ohanjanyan και Elçin Istif Inci ανέπτυξε ένα εργαλείο τεχνητής νοημοσύνης για τον εντοπισμό θεμάτων που σχετίζονται με τη μετανάστευση σε ιστορικά βίντεο, με στόχο την αποκάλυψη κρυφών συνδέσεων και ξεχασμένων ιστοριών σε αρχειακό υλικό.
Εξήγαγαν περιεχόμενο βίντεο από το Ολλανδικό Ινστιτούτο Ήχου και Όρασης από το API της Europeana και χρησιμοποίησαν το BERTopic για μοντελοποίηση θεμάτων και ομαδοποίηση K-Nearest Neighbors (K-NN) για την ανάλυση καρέ που εξήχθησαν από βίντεο. Η ομάδα εξέτασε τις εγγενείς προκλήσεις όσον αφορά την αντιμετώπιση των προκαταλήψεων στα μεταδεδομένα. Παρόλο που η θεματική μοντελοποίηση AI συγκέντρωσε σωστά παρόμοια θέματα, η ομάδα συγκέντρωσε χειροκίνητα όρους και πλαίσια που σχετίζονται με τη μετανάστευση.
Τι θα γινόταν αν μπορούσαμε να δούμε την ιστορία μέσα από έναν νέο φακό - έναν φακό που αποκαλύπτει κρυμμένες συνδέσεις και ξεχασμένες ιστορίες; Υπάρχουν τεράστιες ποσότητες αρχειακού υλικού που είναι δύσκολο να πλοηγηθούν. Δεν είναι μόνο δύσκολο να πλοηγηθείτε, αλλά τα παραδοσιακά μεταδεδομένα είναι περιορισμένα και συχνά μεροληπτικά. Αυτό καθιστά δύσκολη την ανάλυση θεμάτων, συναισθημάτων και άλλων σε αυτά τα σύνολα δεδομένων» - Knar Ohanjanyan
Un2Structured
Αυτό το έργο από τον Arnoud Wils στόχευε στην εξαγωγή δομημένων δεδομένων JSON από μη δομημένα αρχεία PDF στο Corpus Rubenianum, εστιάζοντας σε πληροφορίες προέλευσης και εικονογραφίας.
Χρησιμοποίησαν Llamaparse, Llamaindex, Cohere LLM API και Pydantic για εξαγωγή και διάρθρωση δεδομένων. Το Un2Structured τροποποίησε εκτενώς τις οδηγίες του προτύπου για να πάρει τα αποτελέσματα που αναζητούσαν. Έθεσαν επίσης έγκυρα ερωτήματα σχετικά με τον τρόπο αξιοποίησης αυτών των εξαγόμενων δεδομένων.
Θα θέλατε να εργαστείτε σε δικά σας καινοτόμα έργα χρησιμοποιώντας δεδομένα πολιτιστικής κληρονομιάς; Εξερευνήστε τα API της Europeana.