Em fevereiro de 2025, a maratona de hackers AI4Culture lançou um desafio: utilizar ferramentas de IA para transformar, investigar ou apresentar de forma inovadora dados do património cultural digital. A plataforma AI4Culture contém uma riqueza de recursos para alimentar estes projetos: conjuntos de dados de instituições responsáveis pelo património cultural e do espaço de dados para o património cultural, um arsenal de ferramentas de IA e recursos de formação e materiais de melhoria de competências.
Cinco equipas aceitaram este desafio e apresentaram casos de utilização interessantes que combinam ferramentas de IA inovadoras e conjuntos de dados sobre o património cultural. Explore os projectos abaixo.
"Nós divertimo-nos muito a explorar que dados estavam disponíveis através da Europeana, mesmo que no final tenhamos usado outras fontes!" disse Laurens Dhaenens.
ABC: Automatização do código do liquidificador
A equipa de Zita Baronnet, Francesco Gavioli e Lara Peeters teve como objetivo extrair objetos 2D de imagens e convertê-los em modelos 3D usando IA, automatizando o processo de modelagem 3D. O seu objetivo era simplificar o fluxo de trabalho demorado e tecnicamente complexo da criação de modelos 3D para aplicações de património cultural. A equipa utilizou a API Europeana, o SegmentAnything, e o modelo HuggingFace de imagem para recurso 3D para criar um gasoduto que tirou uma imagem 2D da Europeana e produziu um modelo 3D para reutilização no Blender (software para criação de gráficos de computador 3D). Explorar o seu projeto.
Patina: de:cor do tempo
Este projeto de Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi e Stefano Fanelli concentrou-se em abordar a questão da degradação da arte e da formação da pátina, com o objetivo de criar uma ferramenta que identifique e comunique o envelhecimento das obras de arte digitalizadas.
Procuraram melhorar a compreensão pública de como o tempo molda a arte. A equipa criou um conjunto de dados de treino de obras de arte que foram afetadas pela pátina e pelo envelhecimento, juntamente com digitalizações dessas obras de arte antes de serem afetadas pela idade. Eles usaram uma Rede Neural Convolucional (CNN) para classificação de imagens e desenvolveram uma interface web para comunicação científica. A equipa identificou a questão de ter dados de treino limitados e a necessidade de modelos mais precisos.
Olhamos para estas imagens o tempo todo, mas esquecemo-nos de que são moldadas pelo tempo. Queremos adicionar esta camada que está lá, mas é invisível. "O que queremos mostrar é a forma do tempo." - Stefanie de Winter
Profundidade
A equipa da DeepCulture, composta por Ioannis Kapsalis, Katerina Zourou, Hannieh Habibi e Marianna Ziku, teve como objetivo realizar análises de sentimentos sobre dados do património cultural para descobrir narrativas e ligações ocultas.
ArcAIVision
A equipa ArcAIVision de Sercan Kıyak, Knar Ohanjanyan e Elçin Istif Inci desenvolveu uma ferramenta de IA para detetar temas relacionados com a migração em vídeos históricos, com o objetivo de descobrir ligações ocultas e histórias esquecidas em imagens de arquivo.
Eles extraíram conteúdo de vídeo do Netherlands Institute for Sound and Vision da API Europeana e usaram o BERTopic para modelagem de tópicos e clustering K-Nearest Neighbors (K-NN) para analisar frames extraídos de vídeos. A equipa abordou os desafios inerentes ao tratamento dos enviesamentos nos metadados. Embora a IA de modelagem de tópicos tenha agrupado corretamente temas semelhantes, a equipa agrupou manualmente termos e quadros relacionados com a migração.
E se pudéssemos ver a história através de uma nova lente - uma que revela conexões ocultas e histórias esquecidas? Há grandes quantidades de imagens de arquivo que são difíceis de navegar. Não só é difícil de navegar, mas os metadados tradicionais são limitados e muitas vezes tendenciosos. Isso dificulta a análise, temas, emoções e muito mais nestes conjuntos de dados" - Knar Ohanjanyan
Un2Structured
Este projeto de Arnoud Wils teve como objetivo extrair dados estruturados JSON de arquivos PDF não estruturados no Corpus Rubenianum, com foco em informações de proveniência e iconografia.
Eles usaram Llamaparse, Llamaindex, Cohere LLM API e Pydantic para extração e estruturação de dados. Un2Structured ajustou seus pedidos de modelo extensivamente para obter os resultados que estavam procurando. Também levantaram questões válidas sobre a forma de valorizar estes dados extraídos.
Gostaria de trabalhar nos seus próprios projetos inovadores utilizando dados do património cultural? Explore as API da Europeana.