En février 2025, le hackathon AI4Culture a lancé un défi: utiliser des outils d’IA pour transformer, rechercher ou mettre en valeur de manière innovante les données numériques relatives au patrimoine culturel. La plateforme AI4Culture contient une multitude de ressources pour alimenter ces projets: des ensembles de données provenant d’institutions du patrimoine culturel et de l’espace de données pour le patrimoine culturel, un arsenal d’outils d’IA et de ressources de formation et de matériel de renforcement des compétences.
Cinq équipes ont relevé ce défi et ont trouvé des cas d'utilisation attrayants combinant des outils d'IA innovants et des ensembles de données sur le patrimoine culturel. Explorez leurs projets ci-dessous.
« Nous nous sommes beaucoup amusés à explorer les données disponibles via Europeana, même si nous avons finalement utilisé d'autres sources ! », a déclaré Laurens Dhaenens, participante.
ABC : Automatisation du code de mélange
L'équipe de Zita Baronnet, Francesco Gavioli et Lara Peeters visait à extraire des objets 2D à partir d'images et à les convertir en modèles 3D à l'aide de l'IA, en automatisant le processus de modélisation 3D. Leur objectif était de rationaliser le flux de travail fastidieux et techniquement complexe de la création de modèles 3D pour les applications du patrimoine culturel. L’équipe a utilisé l’API Europeana, SegmentAnything, et le modèle HuggingFace de l’image à l’actif 3D pour créer un pipeline qui a pris une image 2D d’Europeana et produit un modèle 3D pour être réutilisé dans Blender (logiciel de création d’infographies 3D). Explorez leur projet.
Patina : de:couleur du temps
Ce projet de Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi et Stefano Fanelli s'est concentré sur la question de la dégradation de l'art et de la formation de la patine, dans le but de créer un outil qui identifie et communique le vieillissement des œuvres numérisées.
Ils ont cherché à mieux faire comprendre au public comment le temps façonne l’art. L’équipe a créé un ensemble de données de formation sur les œuvres d’art touchées par la patine et le vieillissement, ainsi que des scans de ces œuvres avant qu’elles ne soient affectées par l’âge. Ils ont utilisé un réseau neuronal convolutif (CNN) pour la classification des images et ont développé une interface Web pour la communication scientifique. L'équipe a identifié le problème d'avoir des données de formation limitées et le besoin de modèles plus précis.
Nous regardons ces images tout le temps, mais nous oublions qu'elles sont façonnées par le temps. Nous voulons ajouter cette couche qui est là mais qui est invisible. Ce que nous voulons montrer, c'est la forme du temps. » - Stefanie de Winter
Deepculture
L'équipe DeepCulture, composée de Ioannis Kapsalis, Katerina Zourou, Hannieh Habibi et Marianna Ziku, visait à effectuer une analyse des sentiments sur les données du patrimoine culturel afin de découvrir des récits et des liens cachés.
ArcAIVision
L'équipe ArcAIVision de Sercan Kıyak, Knar Ohanjanyan et Elçin Istif Inci a développé un outil d'IA pour détecter les thèmes liés à la migration dans des vidéos historiques, visant à découvrir des connexions cachées et des histoires oubliées dans des séquences d'archives.
Ils ont extrait du contenu vidéo de l'Institut néerlandais du son et de la vision de l'API Europeana et ont utilisé BERTopic pour la modélisation thématique et le regroupement K-NN (K-Nest Neighbors) pour analyser les images extraites des vidéos. L'équipe a abordé les défis inhérents à la résolution des biais dans les métadonnées. Bien que la modélisation thématique de l'IA ait correctement regroupé des thèmes similaires, l'équipe a regroupé manuellement des termes et des cadres liés à la migration.
Et si nous pouvions voir l'histoire à travers un nouvel objectif - celui qui révèle des connexions cachées et des histoires oubliées? Il y a de grandes quantités de séquences d'archives qui sont difficiles à naviguer. Il est non seulement difficile de naviguer, mais les métadonnées traditionnelles sont limitées et souvent biaisées. Cela rend difficile l'analyse, les thèmes, les émotions et plus encore dans ces ensembles de données » - Knar Ohanjanyan
Un2Structured
Ce projet d'Arnoud Wils visait à extraire des données JSON structurées à partir de fichiers PDF non structurés dans le Corpus Rubenianum, en se concentrant sur les informations de provenance et d'iconographie.
Ils ont utilisé Llamaparse, Llamaindex, Cohere LLM API et Pydantic pour l'extraction et la structuration des données. Un2Structured a considérablement modifié ses invites de modèle pour obtenir les résultats qu'ils recherchaient. Ils ont également soulevé des questions valables sur la façon de valoriser ces données extraites.
Souhaitez-vous travailler sur vos propres projets innovants en utilisant les données du patrimoine culturel? Explorez les API d’Europeana.