2025 februárjában az AI4Culture hackathon kihívást jelentett: mesterségesintelligencia-eszközök használata a digitális kulturális örökségre vonatkozó adatok innovatív átalakítására, kutatására vagy bemutatására. Az AI4Culture platform rengeteg erőforrást tartalmaz e projektek táplálására: a kulturális örökséget ápoló intézmények adatkészletei és a kulturális örökség adattere, mesterségesintelligencia-eszközök és képzési erőforrások arzenálja, valamint továbbképzési anyagok.
Öt csapat foglalkozott ezzel a kihívással, és innovatív mesterségesintelligencia-eszközöket és a kulturális örökségre vonatkozó adatkészleteket ötvöző, vonzó felhasználási esetekkel állt elő. Fedezze fel projektjeit alább.
"Nagyon jól éreztük magunkat annak feltárásában, hogy milyen adatok állnak rendelkezésre az Europeanán keresztül, még akkor is, ha végül más forrásokat használtunk fel!" - mondta Laurens Dhaenens résztvevő.
ABC: A keverő kódjának automatizálása
Baronnet Zita, Francesco Gavioli és Lara Peeters csapatának célja az volt, hogy kivonják a képekből a 2D objektumokat, és AI segítségével 3D modellekké alakítsák őket, automatizálva a 3D modellezési folyamatot. Céljuk az volt, hogy egyszerűsítsék a kulturális örökségi alkalmazások 3D-s modelljeinek időigényes és technikailag összetett munkafolyamatát. A csapat az Europeana API-t, a SegmentAnything-et és a 3D eszközre épülő HuggingFace modellt használta egy olyan csővezeték létrehozásához, amely 2D képet vett az Europeanától, és 3D modellt adott ki újrafelhasználásra a Blenderben (a 3D számítógépes grafikák létrehozására szolgáló szoftver). Fedezze fel a projektjüket.
Patina: de:color of time
Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi és Stefano Fanelli projektje a művészetromlás és a patinaképződés kérdésének kezelésére összpontosított, azzal a céllal, hogy olyan eszközt hozzon létre, amely azonosítja és kommunikálja a digitalizált műalkotások öregedését.
Arra törekedtek, hogy a nyilvánosság jobban megértse, hogyan alakítja az idő a művészetet. A csapat összeállította a patina és az öregedés által érintett műalkotások képzési adatkészletét, valamint e műalkotások kor előtti szkennelését. Egy konvolúciós neurális hálózatot (Convolutional Neural Network, CNN) használtak a képek osztályozására, és kifejlesztettek egy webes felületet a tudományos kommunikációhoz. A csoport azonosította a korlátozott képzési adatok problémáját és a pontosabb modellek szükségességét.
Állandóan nézegetjük ezeket a képeket, de elfelejtjük, hogy az idő formálja őket. Szeretnénk hozzáadni ezt a réteget, amely ott van, de láthatatlan. Amit meg akarunk mutatni, az az idő alakja." - Stefanie de Winter
Mélykultúra
A DeepCulture csapata, amely Ioannis Kapsalisból, Katerina Zourouból, Hannieh Habibiból és Marianna Zikuból áll, arra törekedett, hogy érzelmi elemzést végezzen a kulturális örökséggel kapcsolatos adatokról, hogy feltárja a rejtett narratívákat és kapcsolatokat.
ArcAIVision
Sercan Kıyak, Knar Ohanjanyan és Elçin Istif Inci ArcAIVision csapata mesterségesintelligencia-eszközt fejlesztett ki a migrációval kapcsolatos témák történelmi videókban történő felderítésére, amelynek célja rejtett kapcsolatok és elfelejtett történetek feltárása az archív felvételekben.
Az Europeana API-ból kinyerték a Holland Hang és Látás Intézet videótartalmát, és a BERTopic-ot használták a téma modellezéséhez és a K-Nearest Neighbors (K-NN) klaszterezéshez a videókból kinyert keretek elemzéséhez. A csoport foglalkozott a metaadatok torzításainak kezelésével járó kihívásokkal. Annak ellenére, hogy a mesterséges intelligenciát modellező téma helyesen csoportosította a hasonló témákat, a csapat manuálisan csoportosította a migrációval kapcsolatos kifejezéseket és kereteket.
Mi lenne, ha a történelmet egy új lencsén keresztül látnánk, amely rejtett kapcsolatokat és elfeledett történeteket tár fel? Hatalmas mennyiségű archív felvétel van, amelyeken nehéz navigálni. Nem csak navigálni nehéz, de a hagyományos metaadatok korlátozottak és gyakran elfogultak. Ez megnehezíti a témák, érzelmek és még sok más elemzését ezekben az adatkészletekben" - Knar Ohanjanyan
Un2Structured
Az Arnoud Wils projekt célja az volt, hogy strukturált JSON adatokat nyerjen ki a Corpus Rubenianum strukturálatlan PDF fájljaiból, a származásra és az ikonográfiára összpontosítva.
Llamaparse-t, Llamaindexet, Cohere LLM API-t és Pydantic-ot használtak az adatok kinyerésére és strukturálására. Un2Structured csípett a sablon kéri széles körben, hogy az eredményeket keresték. Érvényes kérdéseket vetettek fel azzal kapcsolatban is, hogy hogyan lehet hasznosítani ezeket a kinyert adatokat.
Szeretne saját innovatív projektjein dolgozni a kulturális örökséggel kapcsolatos adatok felhasználásával? Fedezze fel az Europeana API-kat.