I februar 2025 udsendte AI4Culture hackathon en udfordring: anvende AI-værktøjer til innovativt at omdanne, forske i eller fremvise digitale kulturarvsdata. AI4Culture-platformen indeholder et væld af ressourcer til at fodre disse projekter: datasæt fra kulturarvsinstitutioner og dataområdet for kulturarv, et arsenal af AI-værktøjer og uddannelsesressourcer og opkvalificeringsmaterialer.

Fem hold tog denne udfordring op og kom med engagerende use cases, der kombinerer innovative AI-værktøjer og kulturarvsdatasæt. Udforsk deres projekter nedenfor.

"Vi havde en masse sjov at udforske, hvilke data der var tilgængelige via Europeana, selvom vi i sidste ende brugte andre kilder!" sagde deltager Laurens Dhaenens.

ABC: Automatisering af blenderkode

Teamet af Zita Baronnet, Francesco Gavioli og Lara Peeters havde til formål at udtrække 2D-objekter fra billeder og konvertere dem til 3D-modeller ved hjælp af AI og automatisere 3D-modelleringsprocessen. Deres mål var at strømline den tidskrævende og teknisk komplekse arbejdsgang med at skabe 3D-modeller til kulturarvsapplikationer. Teamet brugte Europeana API, SegmentAnything, og billedet til 3D-aktiv HuggingFace-modellen til at skabe en pipeline, der tog et 2D-billede fra Europeana og producerede en 3D-model til genbrug i Blender (software til oprettelse af 3D-computergrafik). Udforsk deres projekt.

Patina: de:farve af tid

Dette projekt fra Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi og Stefano Fanelli fokuserede på spørgsmålet om kunstforringelse og patinadannelse med det formål at skabe et værktøj, der identificerer og kommunikerer aldringen af digitaliserede kunstværker.

De søgte at øge offentlighedens forståelse af, hvordan tid former kunst. Holdet skabte et træningsdatasæt af kunstværker, der var påvirket af patina og aldring, sammen med scanninger af disse kunstværker, før de blev påvirket af alder. De brugte et Convolutional Neural Network (CNN) til billedklassifikation og udviklede en webgrænseflade til videnskabelig kommunikation. Holdet identificerede problemet med at have begrænsede træningsdata og behovet for mere præcise modeller.

Vi ser på disse billeder hele tiden, men vi glemmer, at de er formet af tiden. Vi ønsker at tilføje dette lag, der er der, men er usynlig. Det, vi ønsker at vise, er tidens form." - Stefanie de Winter

Dybkultur

DeepCulture-teamet, der består af Ioannis Kapsalis, Katerina Zourou, Hannieh Habibi og Marianna Ziku, havde til formål at udføre følelsesanalyse af kulturarvsdata for at afdække skjulte fortællinger og forbindelser.

ArcAIVision

ArcAIVisions team af Sercan Kıyak, Knar Ohanjanyan og Elçin Istif Inci udviklede et AI-værktøj til at opdage migrationsrelaterede temaer i historiske videoer med det formål at afdække skjulte forbindelser og glemte historier i arkivoptagelser.

De udtog videoindhold fra Netherlands Institute for Sound and Vision fra Europeana API og brugte BERTopic til emnemodellering og K-Nearest Neighbors (K-NN) clustering til at analysere rammer udtrukket fra videoer. Holdet tog fat på de iboende udfordringer i håndteringen af bias i metadata. Selvom emnemodellering AI korrekt grupperede lignende temaer sammen, grupperede teamet manuelt migrationsrelaterede termer og rammer.

Hvad hvis vi kunne se historien gennem en ny linse - en, der afslører skjulte forbindelser og glemte historier? Der er enorme mængder af arkivoptagelser, der er svære at navigere. Det er ikke kun svært at navigere, men de traditionelle metadata er begrænsede og ofte partiske. Dette gør det svært at analysere, temaer, følelser og mere i disse datasæt' - Knar Ohanjanyan

Opdag ArcAIVisions projekt.

Un2Struktureret

Dette projekt fra Arnoud Wils havde til formål at udtrække strukturerede JSON-data fra ustrukturerede PDF-filer i Corpus Rubenianum med fokus på proveniens og ikonografisk information.

De brugte Llamaparse, Llamaindex, Cohere LLM API og Pydantic til dataudtræk og strukturering. Un2Structured tweaked deres skabelon beder udførligt for at få de resultater, de ledte efter. De rejste også gyldige spørgsmål om, hvordan disse udtrukne data kan valoriseres.

Vil du arbejde på dine egne innovative projekter ved hjælp af kulturarvsdata? Udforsk Europeanas API'er.