- Home
- Intelligenza Artificiale
- Come l’AI decodifica il ...
Indice
Dopo la notizia del contributo dato dall’intelligenza artificiale nella decodifica di un segmento di papiro andato in fumo durante l’eruzione del Vesuvio del 79 d.C, si è aperta una nuova strada. Non è per il premio messo in palio per i ricercatori migliori, né per l’importanza e il valore delle stesse pergamene carbonizzate, ma è per la nuova metodica utilizzata per formulare la soluzione. Il team che ha portato avanti questa scoperta (se vogliamo chiamarla così) ha utilizzato l’intelligenza artificiale per dividere e quindi distinguere l’inchiostro utilizzato per scrivere il documento dal papiro stesso.
In questo modo è stato possibile decifrare la natura dei caratteri stessi, basandosi su ripetizioni. Al momento è stato decifrato solo il 6% del rotolo antico. Il contenuto si è compreso possa risalire addirittura a Filodemo di Gadara (110 a.C. circa – 35 a.C.), filosofo epicureo, anche se alcuni studiosi optano per la scelta residenziale legata alla villa di una delle mogli di Giulio Cesare. La domanda è: come sono riusciti a determinare questo 6% di traduzione dei caratteri con l’AI?
Addestramento post eruzione
Il procedimento di addestramento di un modello di AI per distinguere, in questo caso, l’inchiostro dal papiro e identificare i caratteri greci è probabile che sia partito dalla inclusione e la creazione di un dataset di immagini digitalizzate dei papiri, annotando il tutto con tutte le corrispondenze tra inchiostro e papiro. Gli algoritmi di apprendimento profondo, come le reti neurali convoluzionali, vengono quindi addestrati su questo stesso dataset per riconoscere pattern visivi specifici dell’inchiostro rispetto al papiro. Questo addestramento richiede iterazioni multiple, ottimizzazioni dei parametri e validazione incrociata per migliorare la precisione del modello nel riconoscere e interpretare i testi antichi.
Intelligenza artificiale e passaggi di codice
Il processo di addestramento di un modello di intelligenza artificiale per distinguere l’inchiostro dal papiro e identificare i caratteri può essere descritto concettualmente in termini di passaggi algoritmici. Potremmo allora ipotizzare illustrando una sequenza di passaggi ad alto livello che potrebbe essere stata impiegata in questo caso dal team dei ricercatori.
Una iniziale preparazione dei dati, che di norma è alla base di ogni processo di addestramento del modello (ML), con una raccolta di immagini dei papiri e annotazione manuale delle aree con inchiostro e senza inchiostro. Una normalizzazione delle immagini per migliorare il contrasto tra inchiostro e papiro (riduzione del rumore).
Una linea di addestramento del modello con l’utilizzo di reti neurali convoluzionali (CNN) per apprendere a distinguere l’inchiostro dal papiro (divisione del dataset in training set, validation set e test set). Una validazione e un’ottimizzazione attraverso la valutazione delle prestazioni del modello sul validation set e aggiustamento dei parametri (es. tasso di apprendimento, numero di strati) per migliorare le prestazioni. E un test finale, con una valutazione delle prestazioni del modello addestrato sul test set per determinare la sua efficacia nel riconoscere i caratteri e distinguere l’inchiostro dal papiro.
Conclusioni
Questi passaggi sono semplificazioni di un processo che, nella pratica, può includere molteplici iterazioni, tecniche di data augmentation, e l’uso di architetture di rete neurale avanzate per affrontare determinati ostacoli o problematiche poste dalla natura dei dati storici e dalla qualità delle immagini. L’intelligenza artificiale è un mondo. Sono moltissime le strade che si stanno aprendo verso una modalità completamente nuova di gestire la ricerca (questo un campo importante per molti settori). Imparare a definire un obiettivo comune utilizzando l’AI è naturalmente uno dei punti principali da non dimenticare mai. E non solo per un discorso etico, ma perché è dall’interazione e dal confronto che nascono le scoperte più importanti.
