În februarie 2025, hackathonul AI4Culture a lansat o provocare: să utilizeze instrumente de IA pentru a transforma, a cerceta sau a prezenta în mod inovator date privind patrimoniul cultural digital. Platforma AI4Culture conține o multitudine de resurse pentru a alimenta aceste proiecte: seturi de date de la instituțiile de patrimoniu cultural și spațiul de date pentru patrimoniul cultural, un arsenal de instrumente de IA și resurse de formare și materiale de perfecționare.
Cinci echipe au acceptat această provocare și au prezentat cazuri de utilizare captivante care combină instrumente inovatoare de IA și seturi de date privind patrimoniul cultural. Explorați proiectele lor mai jos.
"Ne-am distrat explorând ce date erau disponibile prin intermediul Europeana, chiar dacă în cele din urmă am folosit alte surse!", a declarat participantul Laurens Dhaenens.
ABC: Automatizarea codului Blender
Echipa formată din Zita Baronnet, Francesco Gavioli și Lara Peeters și-a propus să extragă obiecte 2D din imagini și să le transforme în modele 3D folosind AI, automatizând procesul de modelare 3D. Scopul lor a fost de a eficientiza fluxul de lucru complex din punct de vedere tehnic și consumator de timp pentru crearea de modele 3D pentru aplicațiile de patrimoniu cultural. Echipa a utilizat API-ul Europeana, SegmentAnything și modelul HuggingFace pentru a crea o conductă care a preluat o imagine 2D de la Europeana și a generat un model 3D pentru reutilizare în Blender (software pentru crearea de grafică 3D pe calculator). Explorați proiectul lor.
Patina: de:culoarea timpului
Acest proiect al lui Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi și Stefano Fanelli s-a axat pe abordarea problemei degradării artei și formării patinei, cu scopul de a crea un instrument care să identifice și să comunice îmbătrânirea operelor de artă digitalizate.
Ei au încercat să îmbunătățească înțelegerea publică a modului în care timpul modelează arta. Echipa a creat un set de date de formare a operelor de artă care au fost afectate de patină și îmbătrânire, împreună cu scanări ale acestor opere de artă înainte de a fi afectate de vârstă. Ei au folosit o rețea neuronală convoluțională (CNN) pentru clasificarea imaginilor și au dezvoltat o interfață web pentru comunicarea științifică. Echipa a identificat problema datelor limitate de antrenament și necesitatea unor modele mai precise.
Ne uităm la aceste imagini tot timpul, dar uităm că ele sunt modelate de timp. Vrem să adăugăm acest strat care este acolo, dar este invizibil. Ceea ce vrem să arătăm este forma timpului." - Stefanie de Winter
Adâncultură
Echipa DeepCulture, formată din Ioannis Kapsalis, Katerina Zourou, Hannieh Habibi și Marianna Ziku, a urmărit să efectueze o analiză a sentimentelor asupra datelor de patrimoniu cultural pentru a descoperi narațiuni și conexiuni ascunse.
ArcAIVision
Echipa ArcAIVision formată din Sercan Kıyak, Knar Ohanjanyan și Elçin Istif Inci a dezvoltat un instrument AI pentru a detecta teme legate de migrație în videoclipurile istorice, cu scopul de a descoperi conexiuni ascunse și povești uitate în înregistrările de arhivă.
Aceștia au extras conținut video de la Institutul Olandez pentru Sunet și Vedere din API-ul Europeana și au utilizat BERTopic pentru modelarea tematică și gruparea K-Nearest Neighbors (K-NN) pentru a analiza cadrele extrase din videoclipuri. Echipa a abordat provocările inerente în abordarea prejudecăților din metadate. Chiar dacă modelarea tematică a IA a grupat în mod corect teme similare, echipa a grupat manual termenii și cadrele legate de migrație.
Ce-ar fi dacă am putea vedea istoria printr-o nouă lentilă - una care dezvăluie conexiuni ascunse și povești uitate? Există cantități mari de imagini de arhivă care sunt greu de navigat. Nu numai că este greu să navighezi, dar metadatele tradiționale sunt limitate și adesea părtinitoare. Acest lucru face dificilă analiza, temele, emoțiile și multe altele în aceste seturi de date" - Knar Ohanjanyan
Un2Structurat
Acest proiect al lui Arnoud Wils a vizat extragerea datelor JSON structurate din fișiere PDF nestructurate din Corpus Rubenianum, concentrându-se pe informațiile de proveniență și iconografie.
Ei au folosit Llamaparse, Llamaindex, Cohere LLM API și Pydantic pentru extragerea și structurarea datelor. Un2Structured și-a modificat în mod extensiv șabloanele pentru a obține rezultatele pe care le căutau. Ei au ridicat, de asemenea, întrebări valide cu privire la modul de valorificare a acestor date extrase.
Doriți să lucrați la propriile proiecte inovatoare care utilizează date privind patrimoniul cultural? Explorați API-urile Europeana.