IDENTIFICATI NUOVI GEOGLIFI A NASCA, PERU’, GRAZIE ALL’INTELLIGENZA ARTIFICIALE
Un interessante studio congiunto dello Yamagata University Institute di Nasca e la IBM Japan, Ltd. è stato pubblicato sulla rivista accademica internazionale Journal of Archaeological Science. Il documento riassume la metodologia tecnica e i risultati delle successive ricerche, comprese le indagini sul posto, condotti nella parte settentrionale della Nasca Pampa, e descrive il modello di intelligenza artificiale di deep learning utilizzato per il rilevamento della distribuzione dei geoglifi che ha portato alla scoperta di quattro geoglifi (un umanoide, un paio di zampe, un pesce e un uccello).
Il documento mostra che la tecnologia di apprendimento consente l’identificazione accelerata dei geoglifi circa 21 volte più velocemente dell’analisi manuale delle immagini a occhio nudo.
Lo Yamagata University Institute di Nasca e la IBM Japan hanno condotto uno studio di fattibilità utilizzando tecniche di rilevamento di oggetti basate sul deep learning per scoprire geoglifi figurativi da fotografie aeree ad alta risoluzione. Le fotografie aeree coprono una vasta area e il metodo tradizionale di cercare nuovi geoglifi a occhio nudo dalle fotografie richiede una notevole quantità di tempo, ponendo una sfida in termini di efficienza e scalabilità.
Per affrontare la sfida, i ricercatori hanno condotto uno studio di fattibilità utilizzando il deep learning per accelerare la scoperta. L’area di destinazione era la parte settentrionale della Nasca Pampa, dove si concentrano geoglifi figurativi di tipo lineare.
I modelli di geoglifi conosciuti sono unici e complessi. Pertanto, è probabile che i nuovi geoglifi non abbiano lo stesso design di quelli esistenti. È difficile trovare nuovi geoglifi utilizzando modelli di rilevamento di oggetti di deep learning addestrati solo su geoglifi noti, poiché potrebbero non essere in grado di identificare caratteristiche che non esistono nei dati di conoscenza dell’archivio.
Per risolvere questo problema, sono stati suddivisi i geoglifi noti in elementi pittorici relativamente semplici e poi utilizzati come dati di addestramento per creare un modello di rilevamento degli oggetti. E’ stato ipotizzato che ci sarebbero stati elementi simili nei nuovi geoglifi e il metodo potrebbe migliorare le prestazioni di generalizzazione (la capacità di rilevare nuovi geoglifi su dati mai visti prima) concentrandosi sulla cattura di questi elementi piuttosto che sulla totalità dei geoglifi.
La dimensione dei geoglifi figurativi di tipo lineare varia da circa 10 a 300 metri, rappresentando un’altra sfida nel rilevamento dei geoglifi. Per risolvere questo problema, il team di ricerca ha dapprima ritagliato le immagini originali su più scale e quindi ridimensionato le immagini ritagliate alla stessa dimensione sia per la fase di addestramento del modello di rilevamento degli oggetti che per la fase di inferenza. Questo approccio ci permesso di tentare il rilevamento di geoglifi di diverse dimensioni.
Inoltre, il numero di geoglifi figurativi di tipo lineare nella parte settentrionale della Nasca Pampa che potrebbero essere utilizzati come dati di addestramento in questo studio era limitato a 21. Idealmente, l’apprendimento profondo richiede migliaia di punti dati di addestramento, pertanto l’utilizzo di questi geoglifi come database ha un problema di scarsità di dati. Per risolvere questo problema, è stato aumentato il numero di dati per l’addestramento a 307 dividendo i geoglifi in più elementi e ritagliando le immagini a scale diverse, come accennato in precedenza.
Utilizzando il modello di rilevamento degli oggetti creato con queste misure innovative, si è tentato di rilevare forme dalle fotografie aeree, confermando che il rilevamento di diversi geoglifi e indicando l’efficacia del metodo. Esaminati attentamente i risultati del rilevamento per identificare nuovi geoglifi, sono stati utilizzati nelle successive indagini sul campo e nel settore settentrionale della Nasca Pampa sono stati scoperti quattro geoglifi: un umanoide, un paio di zampe, un pesce e un uccello.
Il geoglifo umanoide (5 m) è stato rilasciato nel novembre 2019. D’altra parte, gli altri, quello delle gambe (78 m), del pesce (19 m) e dell’uccello (17 m), sono inclusi nei 358 geoglifi identificati entro il 2022.
Dopo il successo di questo studio di fattibilità, il team ha iniziato una collaborazione collaborando con l’IBM TJ Watson Research Center per condurre un’indagine sulla distribuzione dei geoglifi su larga scala, con l’ausilio dell’intelligenza artificiale, nell’intera Nasca Pampa.
Glossario:
- Deep Learning. E’ un metodo di apprendimento automatico che costruisce e addestra reti neurali, che si ispirano all’interconnessione delle cellule nervose nel cervello, per consentire ai computer di apprendere le caratteristiche da grandi quantità di dati e successivamente fare previsioni o decisioni. Dimostra prestazioni elevate in attività come il riconoscimento delle immagini, l’elaborazione del parlato e l’elaborazione del linguaggio naturale.
- Rilevamento di oggetti tramite deep learning. Identifica automaticamente classi specifiche di oggetti dalle immagini e ne determina la posizione, le dimensioni e la classificazione. È simile al processo utilizzato dagli esseri umani per rilevare cose come “cani” o “gatti”, ma in questo caso lo fa il computer. I modelli di deep learning apprendono da (in genere) una grande quantità di dati immagine per comprendere le caratteristiche gerarchiche degli oggetti. Sulla base di tale apprendimento, acquisiscono la capacità di rilevare con precisione gli oggetti che appaiono in nuove immagini.
- Dati di addestramento per il rilevamento degli oggetti sono costituiti da un’ampia raccolta di immagini che sono state pre-etichettate con la posizione, le dimensioni e la classificazione degli oggetti (ad esempio, cani o gatti).
Tradotto e rielaborato da Daniele Mancini
Per ulteriori info: Istituto Universitario di Yamagata
