In februari 2025 kwam de AI4Culture-hackathon met een uitdaging: AI-instrumenten gebruiken om gegevens over digitaal cultureel erfgoed op innovatieve wijze te transformeren, te onderzoeken of onder de aandacht te brengen. Het AI4Culture-platform bevat een schat aan middelen om deze projecten te voeden: datasets van instellingen voor cultureel erfgoed en de dataruimte voor cultureel erfgoed, een arsenaal aan AI-instrumenten en opleidingsmiddelen en bijscholingsmateriaal.
Vijf teams gingen deze uitdaging aan en bedachten boeiende use cases waarin innovatieve AI-tools en datasets over cultureel erfgoed werden gecombineerd. Bekijk hun projecten hieronder.
"We hadden veel plezier met het verkennen van welke gegevens beschikbaar waren via Europeana, zelfs als we uiteindelijk andere bronnen gebruikten!" zei deelnemer Laurens Dhaenens.
ABC: Blendercode automatiseren
Het team van Zita Baronnet, Francesco Gavioli en Lara Peeters wilde 2D-objecten uit afbeeldingen extraheren en omzetten in 3D-modellen met behulp van AI, waarbij het 3D-modelleringsproces werd geautomatiseerd. Hun doel was om de tijdrovende en technisch complexe workflow van het maken van 3D-modellen voor cultureel erfgoedtoepassingen te stroomlijnen. Het team gebruikte de Europeana API, SegmentAnything en de afbeelding naar het 3D-asset HuggingFace-model om een pijplijn te creëren die een 2D-beeld van Europeana nam en een 3D-model uitvoerde voor hergebruik in Blender (software voor het maken van 3D-computergraphics). Verken hun project.
Patina: de: kleur van de tijd
Dit project van Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi en Stefano Fanelli richtte zich op het aanpakken van het probleem van kunstdegradatie en patinavorming, met als doel een hulpmiddel te creëren dat de veroudering van gedigitaliseerde kunstwerken identificeert en communiceert.
Het team creëerde een trainingsdataset van kunstwerken die werden beïnvloed door patina en veroudering, samen met scans van die kunstwerken voordat ze werden beïnvloed door leeftijd. Ze gebruikten een Convolutional Neural Network (CNN) voor beeldclassificatie en ontwikkelden een webinterface voor wetenschappelijke communicatie. Het team identificeerde het probleem van beperkte trainingsgegevens en de behoefte aan nauwkeurigere modellen.
'We kijken de hele tijd naar deze beelden, maar vergeten dat ze gevormd zijn door de tijd. We willen deze laag toevoegen die er is, maar onzichtbaar is. Wat we willen laten zien is de vorm van de tijd.' - Stefanie de Winter
Diepe cultuur
Het DeepCulture-team, bestaande uit Ioannis Kapsalis, Katerina Zourou, Hannieh Habibi en Marianna Ziku, wilde sentimentanalyses uitvoeren op gegevens over cultureel erfgoed om verborgen verhalen en verbanden bloot te leggen.
ArcAIVision
Het ArcAIVision-team van Sercan Kıyak, Knar Ohanjanyan en Elçin Istif Inci ontwikkelde een AI-tool om migratiegerelateerde thema's in historische video's te detecteren, met als doel verborgen verbanden en vergeten verhalen in archiefbeelden bloot te leggen.
Ze haalden video-inhoud van het Nederlands Instituut voor Beeld en Geluid uit de Europeana API en gebruikten BERTopic voor onderwerpmodellering en K-Nearest Neighbors (K-NN) clustering om frames uit video's te analyseren. Het team pakte de inherente uitdagingen aan bij het aanpakken van vooroordelen in metadata. Hoewel het onderwerp modellering AI correct geclusterd soortgelijke thema's samen, het team handmatig geclusterd migratie-gerelateerde termen en frames.
Wat als we de geschiedenis konden zien door een nieuwe lens - een die verborgen verbanden en vergeten verhalen onthult? Er zijn enorme hoeveelheden archiefmateriaal die moeilijk te navigeren zijn. Het is niet alleen moeilijk om te navigeren, maar de traditionele metadata is beperkt en vaak bevooroordeeld. Dit maakt het moeilijk om te analyseren, thema's, emoties en meer in deze datasets' - Knar Ohanjanyan
Un2Structured
Dit project van Arnoud Wils was gericht op het extraheren van gestructureerde JSON-gegevens uit ongestructureerde PDF-bestanden in het Corpus Rubenianum, met de nadruk op herkomst- en iconografie-informatie.
Ze gebruikten Llamaparse, Llamaindex, Cohere LLM API en Pydantic voor data-extractie en structurering. Un2Structured heeft hun sjabloonprompts uitgebreid aangepast om de resultaten te krijgen waarnaar ze op zoek waren. Ze stelden ook geldige vragen over de valorisatie van deze geëxtraheerde gegevens.
Wilt u werken aan uw eigen innovatieve projecten met behulp van cultureel erfgoed data? Verken de API’s van Europeana.