En febrero de 2025, el hackathon AI4Culture lanzó un desafío: utilizar herramientas de IA para transformar, investigar o mostrar de forma innovadora los datos digitales del patrimonio cultural. La plataforma AI4Culture contiene una gran cantidad de recursos para alimentar estos proyectos: conjuntos de datos de las instituciones de patrimonio cultural y el espacio de datos para el patrimonio cultural, un arsenal de herramientas de IA y recursos de formación y materiales de mejora de las capacidades.
Cinco equipos aceptaron este desafío y crearon casos de uso atractivos que combinaban herramientas innovadoras de IA y conjuntos de datos del patrimonio cultural. Explore sus proyectos a continuación.
"Nos divertimos mucho explorando qué datos estaban disponibles a través de Europeana, ¡incluso si al final usamos otras fuentes!", dijo el participante Laurens Dhaenens.
ABC: Automatización del código de la licuadora
El equipo de Zita Baronnet, Francesco Gavioli y Lara Peeters tuvo como objetivo extraer objetos 2D de las imágenes y convertirlos en modelos 3D utilizando IA, automatizando el proceso de modelado 3D. Su objetivo era agilizar el lento y técnicamente complejo flujo de trabajo de la creación de modelos 3D para aplicaciones de patrimonio cultural. El equipo utilizó la API de Europeana, SegmentAnything, y el modelo HuggingFace de imagen a activo 3D para crear una canalización que tomó una imagen 2D de Europeana y produjo un modelo 3D para su reutilización en Blender (software para crear gráficos informáticos 3D). Explorar su proyecto.
Patina: de:color del tiempo
Este proyecto de Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi y Stefano Fanelli se centró en abordar el tema de la degradación del arte y la formación de pátinas, con el objetivo de crear una herramienta que identifique y comunique el envejecimiento de las obras de arte digitalizadas.
Trataron de mejorar la comprensión pública de cómo el tiempo da forma al arte. El equipo creó un conjunto de datos de capacitación de obras de arte que se vieron afectadas por la pátina y el envejecimiento, junto con escaneos de esas obras de arte antes de que se vieran afectadas por la edad. Utilizaron una Red Neuronal Convolucional (CNN) para la clasificación de imágenes y desarrollaron una interfaz web para la comunicación científica. El equipo identificó el problema de tener datos de entrenamiento limitados y la necesidad de modelos más precisos.
Miramos estas imágenes todo el tiempo, pero olvidamos que están formadas por el tiempo. Queremos añadir esta capa que está ahí pero es invisible. Lo que queremos mostrar es la forma del tiempo". - Stefanie de Winter
La cultura profunda
El equipo de DeepCulture, formado por Ioannis Kapsalis, Katerina Zourou, Hannieh Habibi y Marianna Ziku, tuvo como objetivo realizar un análisis del sentimiento sobre los datos del patrimonio cultural para descubrir narrativas y conexiones ocultas.
ArcAIVision
El equipo de ArcAIVision de Sercan Kıyak, Knar Ohanjanyan y Elçin Istif Inci desarrolló una herramienta de IA para detectar temas relacionados con la migración en videos históricos, con el objetivo de descubrir conexiones ocultas e historias olvidadas en imágenes de archivo.
Extrajeron contenido de video del Instituto Holandés de Sonido y Visión de la API de Europeana, y utilizaron BERTopic para el modelado de temas y la agrupación de K-Nearest Neighbors (K-NN) para analizar marcos extraídos de videos. El equipo abordó los desafíos inherentes a la hora de abordar los sesgos en los metadatos. A pesar de que la IA de modelado de temas agrupó correctamente temas similares, el equipo agrupó manualmente términos y marcos relacionados con la migración.
¿Qué pasaría si pudiéramos ver la historia a través de una nueva lente, una que revele conexiones ocultas e historias olvidadas? Hay grandes cantidades de material de archivo que son difíciles de navegar. No solo es difícil de navegar, sino que los metadatos tradicionales son limitados y, a menudo, sesgados. Esto hace que sea difícil de analizar, temas, emociones y más en estos conjuntos de datos "- Knar Ohanjanyan
Un2Structured
Este proyecto de Arnoud Wils tuvo como objetivo extraer datos JSON estructurados de archivos PDF no estructurados en el Corpus Rubenianum, centrándose en la información de procedencia e iconografía.
Utilizaron Llamaparse, Llamaindex, Cohere LLM API y Pydantic para la extracción y estructuración de datos. Un2Structured modificó ampliamente sus solicitudes de plantilla para obtener los resultados que estaban buscando. También plantearon preguntas válidas sobre cómo valorizar estos datos extraídos.
¿Le gustaría trabajar en sus propios proyectos innovadores utilizando datos del patrimonio cultural? Explore las API de Europeana.