W lutym 2025 r. hakaton AI4Culture wydał wyzwanie: wykorzystywać narzędzia sztucznej inteligencji do innowacyjnego przekształcania, badania lub prezentowania cyfrowych danych dotyczących dziedzictwa kulturowego. Platforma AI4Culture zawiera bogactwo zasobów na potrzeby tych projektów: zbiory danych z instytucji dziedzictwa kulturowego i przestrzeń danych na potrzeby dziedzictwa kulturowego, arsenał narzędzi sztucznej inteligencji oraz zasoby szkoleniowe i materiały służące podnoszeniu kwalifikacji.
Pięć zespołów podjęło to wyzwanie i opracowało angażujące przypadki użycia łączące innowacyjne narzędzia sztucznej inteligencji i zbiory danych dotyczących dziedzictwa kulturowego. Zapoznaj się z ich projektami poniżej.
Mieliśmy dużo zabawy, badając, jakie dane były dostępne za pośrednictwem Europeany, nawet jeśli w końcu wykorzystaliśmy inne źródła! - powiedział Laurens Dhaenens.
ABC: Automatyzacja kodu Blendera
Zespół Zita Baronnet, Francesco Gavioli i Lara Peeters miał na celu wyodrębnienie obiektów 2D z obrazów i przekształcenie ich w modele 3D przy użyciu sztucznej inteligencji, automatyzując proces modelowania 3D. Ich celem było usprawnienie czasochłonnego i skomplikowanego technicznie procesu tworzenia modeli 3D dla zastosowań związanych z dziedzictwem kulturowym. Zespół wykorzystał API Europeana, SegmentAnything oraz model HuggingFace z obrazem do zasobu 3D, aby stworzyć potok, który wziął obraz 2D z Europeany i wypuścił model 3D do ponownego wykorzystania w Blenderze (oprogramowanie do tworzenia grafiki komputerowej 3D). Zapoznaj się z ich projektem.
Patina: de:kolor czasu
Ten projekt Stefanie De Winter, Laurensa Dhaenensa, Angeliki Fieschi i Stefano Fanelliego koncentrował się na zajęciu się kwestią degradacji sztuki i tworzenia patyny, mając na celu stworzenie narzędzia, które identyfikuje i komunikuje starzenie się cyfrowych dzieł sztuki.
Starali się zwiększyć publiczne zrozumienie, w jaki sposób czas kształtuje sztukę. Zespół stworzył zestaw danych szkoleniowych dotyczących dzieł sztuki, na które wpływ miała patyna i starzenie się, wraz ze skanami tych dzieł sztuki, zanim zostały one dotknięte wiekiem. Wykorzystali Convolutional Neural Network (CNN) do klasyfikacji obrazów i opracowali interfejs internetowy do komunikacji naukowej. Zespół zidentyfikował problem ograniczonych danych treningowych i potrzebę dokładniejszych modeli.
Patrzymy na te obrazy cały czas, ale zapominamy, że są one kształtowane przez czas. Chcemy dodać tę warstwę, która jest tam, ale jest niewidoczna. To, co chcemy pokazać, to kształt czasu. - Stefanie de Winter
Głęboka kultura
Zespół DeepCulture, składający się z Ioannisa Kapsalisa, Kateriny Zourou, Hannieh Habibi i Marianny Ziku, miał na celu przeprowadzenie analizy sentymentów na danych dotyczących dziedzictwa kulturowego, aby odkryć ukryte narracje i powiązania.
ArcAIVision
Zespół ArcAIVision z Sercan Kıyak, Knar Ohanjanyan i Elçin Istif Inci opracował narzędzie AI do wykrywania tematów związanych z migracją w historycznych filmach wideo, mające na celu odkrycie ukrytych powiązań i zapomnianych historii w archiwalnych materiałach filmowych.
Wydobyli treści wideo z Holenderskiego Instytutu Dźwięku i Wizji z API Europeana i wykorzystali BERTopic do modelowania tematów i klastrów K-Nearest Neighbors (K-NN) do analizy klatek wyodrębnionych z filmów. Zespół zajął się nieodłącznymi wyzwaniami związanymi z uprzedzeniami w metadanych. Mimo że temat modelowania AI poprawnie grupował podobne tematy, zespół ręcznie grupował terminy i ramki związane z migracją.
Co by było, gdybyśmy mogli spojrzeć na historię przez nowy obiektyw - taki, który ujawnia ukryte powiązania i zapomniane historie? Istnieje ogromna ilość materiałów archiwalnych, które są trudne do nawigacji. Jest to nie tylko trudne w nawigacji, ale tradycyjne metadane są ograniczone i często stronnicze. To sprawia, że trudno jest analizować, tematy, emocje i więcej w tych zbiorach danych "- Knar Ohanjanyan
Un2Strukturyzowane
Ten projekt Arnouda Wilsa miał na celu wyodrębnienie ustrukturyzowanych danych JSON z nieustrukturyzowanych plików PDF w Corpus Rubenianum, koncentrując się na informacji o pochodzeniu i ikonografii.
Wykorzystali Llamaparse, Llamaindex, Cohere LLM API i Pydantic do ekstrakcji i strukturyzowania danych. Un2Structured dostosował swoje monity szablonów, aby uzyskać wyniki, których szukali. Pojawiły się również ważne pytania dotyczące sposobu waloryzacji tych wyodrębnionych danych.
Chcesz pracować nad własnymi innowacyjnymi projektami wykorzystującymi dane o dziedzictwie kulturowym? Zapoznaj się z API Europeany.