През февруари 2025 г. хакатонът AI4Culture отправи предизвикателство: използване на инструменти с ИИ за иновативно трансформиране, изследване или представяне на цифрови данни за културното наследство. Платформата AI4Culture съдържа множество ресурси за захранване на тези проекти: набори от данни от институциите в областта на културното наследство и пространството за данни за културното наследство, арсенал от инструменти и ресурси за обучение в областта на ИИ и материали за повишаване на квалификацията.
Пет екипа поеха това предизвикателство и представиха увлекателни случаи на употреба, съчетаващи иновативни инструменти с ИИ и набори от данни за културното наследство. Разгледайте техните проекти по-долу.
"Много се забавлявахме да проучим какви данни са достъпни чрез Europeana, дори ако в крайна сметка използвахме други източници!", каза участникът Лоренс Даененс.
ABC: Автоматизиране на кода на блендера
Екипът на Zita Baronnet, Francesco Gavioli и Lara Peeters имаше за цел да извлече 2D обекти от изображения и да ги превърне в 3D модели с помощта на изкуствен интелект, автоматизирайки процеса на 3D моделиране. Целта им беше да рационализират отнемащия време и технически сложен работен процес за създаване на 3D модели за приложения в областта на културното наследство. Екипът използва API на Europeana, SegmentAnything, и изображението на 3D актива HuggingFace модел, за да създаде тръбопровод, който взе 2D изображение от Europeana и изведе 3D модел за повторна употреба в Blender (софтуер за създаване на 3D компютърна графика). Разгледайте техния проект.
Патина: de:цвят на времето
Този проект от Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi и Stefano Fanelli се фокусира върху решаването на въпроса за деградацията на изкуството и образуването на патина, като целта е да се създаде инструмент, който идентифицира и комуникира стареенето на цифровизираните произведения на изкуството.
Те се опитаха да подобрят общественото разбиране за това как времето оформя изкуството. Екипът създаде набор от обучителни данни за произведения на изкуството, които са били засегнати от патина и стареене, заедно със сканиране на тези произведения на изкуството, преди да бъдат засегнати от възрастта. Те използват конволюционна невронна мрежа (CNN) за класификация на изображенията и разработват уеб интерфейс за научна комуникация. Екипът установи проблема с ограничените данни за обучението и необходимостта от по-точни модели.
Гледаме тези изображения през цялото време, но забравяме, че те са оформени от времето. Искаме да добавим този слой, който е там, но е невидим. Това, което искаме да покажем, е формата на времето." - Стефани дьо Уинтър
Дълбоко култивиране
Екипът на DeepCulture, състоящ се от Йоанис Капсалис, Катерина Зуру, Ханих Хабиби и Мариана Зику, имаше за цел да извърши анализ на нагласите относно данните за културното наследство, за да разкрие скрити разкази и връзки.
ArcAIVision
Екипът на ArcAIVision на Sercan Kıyak, Knar Ohanjanyan и Elçin Istif Inci разработи инструмент за изкуствен интелект за откриване на теми, свързани с миграцията, в исторически видеоклипове, с цел разкриване на скрити връзки и забравени истории в архивни кадри.
Те извличат видео съдържание от Холандския институт за звук и визия от API на Europeana и използват BERTopic за тематично моделиране и клъстериране на K-Nearest Neighbors (K-NN), за да анализират кадри, извлечени от видеоклипове. Екипът разгледа присъщите предизвикателства при справянето с предубежденията в метаданните. Въпреки че тематичното моделиране на ИИ правилно групира сходни теми заедно, екипът ръчно групира термини и рамки, свързани с миграцията.
Какво ще стане, ако можем да видим историята през нов обектив - такъв, който разкрива скрити връзки и забравени истории? Има огромни количества архивни кадри, които са трудни за навигация. Не само е трудно да се ориентирате, но традиционните метаданни са ограничени и често пристрастни. Това го прави трудно да се анализира, теми, емоции и повече в тези набори от данни "- Knar Ohanjanyan
Un2Structured
Този проект от Arnoud Wils имаше за цел да извлече структурирани JSON данни от неструктурирани PDF файлове в Corpus Rubenianum, като се фокусира върху информация за произхода и иконографията.
Те използват Llamaparse, Llamaindex, Cohere LLM API и Pydantic за извличане и структуриране на данни. Un2Structured промениха своите шаблонни подкани широко, за да получат резултатите, които търсеха. Те също така повдигнаха валидни въпроси относно това как да се остойностят тези извлечени данни.
Бихте ли искали да работите по свои собствени иновативни проекти, като използвате данни за културното наследство? Разгледайте приложно-програмните интерфейси на Europeana.