I februari 2025 utfärdade AI4Culture hackaton en utmaning: använda AI-verktyg för att på ett innovativt sätt omvandla, undersöka eller visa upp digitala kulturarvsdata. AI4Culture-plattformen innehåller en mängd resurser för att mata dessa projekt: dataset från kulturarvsinstitutioner och dataområdet för kulturarv, en arsenal av AI-verktyg och utbildningsresurser samt kompetenshöjningsmaterial.

Fem team tog sig an denna utmaning och tog fram engagerande användningsfall som kombinerar innovativa AI-verktyg och kulturarvsdataset. Utforska deras projekt här nedanför.

"Vi hade mycket roligt att utforska vilka data som fanns tillgängliga via Europeana, även om vi i slutändan använde andra källor!" sa deltagaren Laurens Dhaenens.

ABC: Automatisk blandningskod

Teamet av Zita Baronnet, Francesco Gavioli och Lara Peeters syftade till att extrahera 2D-objekt från bilder och konvertera dem till 3D-modeller med hjälp av AI, automatisera 3D-modelleringsprocessen. Deras mål var att effektivisera det tidskrävande och tekniskt komplexa arbetsflödet för att skapa 3D-modeller för kulturarvstillämpningar. Teamet använde Europeanas API, SegmentAnything, och bilden till 3D-tillgången HuggingFace-modellen för att skapa en pipeline som tog en 2D-bild från Europeana och matade ut en 3D-modell för återanvändning i Blender (programvara för att skapa 3D-datorgrafik). Utforska deras projekt.

Patina: de:färg av tid

Detta projekt från Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi och Stefano Fanelli fokuserade på att ta itu med frågan om konstförsämring och patinabildning, som syftar till att skapa ett verktyg som identifierar och kommunicerar åldrandet av digitaliserade konstverk.

De försökte öka allmänhetens förståelse för hur tid formar konst. Teamet skapade en träningsdataset av konstverk som påverkades av patina och åldrande, tillsammans med skanningar av dessa konstverk innan de påverkades av ålder. De använde ett Convolutional Neural Network (CNN) för bildklassificering och utvecklade ett webbgränssnitt för vetenskaplig kommunikation. Teamet identifierade problemet med att ha begränsade träningsdata och behovet av mer exakta modeller.

Vi tittar på dessa bilder hela tiden men vi glömmer att de är formade av tiden. Vi vill lägga till detta lager som finns där men är osynligt. Det vi vill visa är tidens form." - Stefanie de Winter

Djupkultur

DeepCulture-teamet, bestående av Ioannis Kapsalis, Katerina Zourou, Hannieh Habibi och Marianna Ziku, syftade till att utföra sentimentanalys på kulturarvsdata för att avslöja dolda berättelser och kopplingar.

ArcAIVision

ArcAIVision-teamet av Sercan Kıyak, Knar Ohanjanyan och Elçin Istif Inci utvecklade ett AI-verktyg för att upptäcka migrationsrelaterade teman i historiska videor, i syfte att avslöja dolda kopplingar och glömda historier i arkivbilder.

De extraherade videoinnehåll från Netherlands Institute for Sound and Vision från Europeana API och använde BERTopic för ämnesmodellering och K-Nearest Neighbors (K-NN)-klustring för att analysera ramar som extraherats från videor. Teamet tog itu med de inneboende utmaningarna med att ta itu med fördomar i metadata. Även om ämnet modellering AI korrekt grupperade liknande teman tillsammans, grupperade laget manuellt migrationsrelaterade termer och ramar.

Tänk om vi kunde se historien genom en ny lins - en som avslöjar dolda kopplingar och bortglömda historier? Det finns stora mängder arkivmaterial som är svåra att navigera. Det är inte bara svårt att navigera, men de traditionella metadata är begränsad och ofta partisk. Det gör det svårt att analysera, teman, känslor med mera i dessa dataset" - Knar Ohanjanyan

Upptäck ArcAIVisions projekt.

Un2Structured

Detta projekt från Arnoud Wils syftade till att extrahera strukturerad JSON-data från ostrukturerade PDF-filer i Corpus Rubenianum, med fokus på härkomst och ikonografiinformation.

De använde Llamaparse, Llamaindex, Cohere LLM API och Pydantic för datautvinning och strukturering. Un2Structured tweaked deras mall uppmanar i stor utsträckning för att få de resultat de letade efter. De tog också upp giltiga frågor om hur man värderar dessa extraherade data.

Vill du arbeta med egna innovativa projekt med hjälp av kulturarvsdata? Utforska Europeanas API:er.