Makine Öğrenimi (Machine Learning, ML), uzak gelecekte olmasını öngördüğümüz yeni bir alanda daha kullanılmaya başlandı. Algoritmalar artık arkeolojik verileri analiz etmekte de kullanılabiliyor. Arkeologlar, algoritmalar sayesinde arkeolojik veri kümelerinin geliştirilmiş sınıflandırmasını yapılabiliyor.
Makine öğrenimi, belli bir sınıflandırılmış veri kümesi verildiğinde, daha sonra yeni bir ilgili veri kümesini çıkarmak, sınıflandırmak, sıralamak ve sonuç çıkarmak üzere matematiksel kurallar kullanılarak algoritmaların eğitilmesidir. Analiz edilebilecek veriler, her türlü sayısal ve metinsel bilgi, görüntü ve uzamsal-zamansal veri setlerini içerebilir. ML, bu tür veri yığınlarını işleme, bu verilerden modeller oluşturma ve ardından bu analizi sonraki verileri yorumlamak için kullanma fırsatı sağlar. Bu yöntemler yalnızca yeni verilerin sınıflandırılmasını ve yönetilmesini sağlamakla kalmaz, aynı zamanda yeni verilerden öğrenme ile sonuçların yorumlara yeniden dahil edilmesine de olanak tanır.
Yakın bir zamana kadar ML yapılandırılmış ve büyük veri kümelerinde çalıştığı için arkeolojinin dağınık veri kümelerini keşfetmek için makine öğrenmesinin uygun olmadığı düşünülüyordu. “Büyük Veri” yaklaşımları, sürekli akan veriyi yönetmeye odaklanırken arkeolojik veriler oluşturulması uzun yıllar aldığı için “yavaş veri” olarak tanımlanmıştı.
Arkeolojik çalışmalarla ilişkili küçük veri kümeleri, uygun şekilde yönetilmezse ML’yi gizli karmaşıklığa, sistemik önyargıya ve yüksek doğrulama maliyetlerine karşı savunmasız hale getireceğine ilişkin tahminlere rağmen, yapılan son araştırmalar algoritmaların arkeolojide kullanılabileceğini ve gelecekteki arkeolojik amaçlar için azımsanmayacak bir potansiyele sahip olduğunu gösterdi.
Arkeolojik Veriler İçin Makine Öğrenmesi
Arkeolojide makine öğrenmesi 4 tür veriye odaklanmaktadır. Bunlar; “sayısal ve/veya kategorik veriler”, “metin verileri”, “görüntüler” ve “coğrafi veri”dir.
- Sayısal ve kategorik veriler üzerindeki ML algoritmaları, çanak çömlek stillerinin desen sınıflandırması için kullanılabiliyor.
- Arkeolojik kayıtların analizi de dahil olmak üzere, metin verileri de makine öğrenimi kullanılarak analiz edilebiliyor. ML teknikleri ile Mısır hiyeroglifleri gibi eski dillerin çevirisini otomatikleştirme imkânı sunabiliyor.
- ML kullanarak görüntülerin işlenmesi ise arkeoloji için en verimli alanlardan biri olarak görülüyor. Fotoğraflardan arkeolojik nesnelerin stilize edilmiş çizimleri kullanılarak, kaya sanatını ve binaların yapısal unsurları tanımlanabiliyor. ML ile kabuklar veya hayvan kemikleri tanımlanabiliyor, aletler üzerindeki kullanım aşınmasını ve hasarı belgelenebiliyor. Araştırmalar, kemiklerdeki kesik izlerinin analizlerinde, algoritmaların manuel sistemlerden daha güvenilir olduğunu ortaya koyuyor. Ayrıca şekillerin ve dekorasyonun desen eşleştirmesine, eserlerin yeniden yapılandırılmasına yapboz-bulmaca çözücüler olarak katkı sağlayabileceği düşünülüyor.
- ML kullanan arkeologlar için belki de en aktif alan, jeo-uzamsal verilerdir. Arkeoloji, ML’yi etkili kılacak büyük miktarlarda sistematik olarak kodlanmış veriyi nadiren üretir. Bununla birlikte, büyük ölçekli uydu ve hava görüntülerinin artan kullanılabilirliği, arkeolojik alanların araştırılması ve haritalandırılması için önemli bir potansiyel sunuyor. Arkeolojik sahaların tespiti için oluşturulacak yeni modeller, özellikle fiziksel erişimin veya görünürlüğün zor olduğu alanlar için kritik olabilir.
ŞEKİL: Jeo-uzamsal verilerde özellik tanımlamaya ve bir sitenin yeniden yapılandırılmasına makine öğreniminin nasıl uygulanabileceğine dair açıklayıcı bir kurgusal örnek.
Algoritmik Önyargıdan Etkilenme Olasılığı Yüksek
Bazı araştırmacılar ve arkeologlar, veri modellerinin halen arkeolojik verilerin çeşitliliğini ve tutarsızlıklarını yönetemediğini ve bu nedenle uzman geleneksel metodolojilerden daha az güvenilir olacağı düşünülüyor. ML modelleri oluşturmanın en önemli engeli ise, arkeolojiye ayrılan bütçelerle binlerce kataloglanmış görüntünün bir araya getirilerek büyük bir veri tabanı oluşturmanın zorluğudur. Ayrıca arkeolojik eserlerdeki kötü koruma nedeniyle parçalanma veya yüzey durumunun bozulması gibi engeller de ML başarısını etkileyebilir.
Araştırmacılar ML’nin arkeolojik çalışmaları iki ana önyargı biçimine duyarlı hale getirdiği görüşündeler.
Birincisi, nadir ve olağandışı nesnelerin daha yaygın bir türle gruplandırılarak kolayca gözden kaçırılabileceğidir. Örneğin modellenen formlardan birine benzer şekle sahip bir seramik kap “normal” görünebilir ancak bir arkeolog tarafından hemen fark edilecek olağandışı bir yüzey işlemine sahip olabilir.
İkincisi, sınıflandırılan özelliklerin değişkenliğinin modele tam olarak dahil edilememesidir. ML analizleri özellikle ağaç ve orman gibi coğrafi görüntüler söz konusu olduğunda arkeolojik alanlarla ilgili ayrım yapmakta zorlanabilir. Çünkü modelleri eğitmek için kullanılan veriler genellikle bağlamsal bilgilerden veya yeterli bilgiyi içermeyebilecek sınırlı ve önceden seçilmiş değişkenler kümesi üzerinde çalışır.
Robotlar Devrim Yapmadıkça Arkeologların İşini Ellerinden Alamayacak
Harari (2017) bize işimizde kalmamız için yüzde 97 şans verdi! Ancak robotların en son devralabileceği meslek grubu, arkeologlar gibi görünüyor. Arkeologların yakın gelecekte bir arkeolojik robot ayaklanmasıyla yerlerini değiştirmeleri pek olası değil. Arkeologlar için gerçek devrim, ML’nin daha büyük ve hızla genişleyen bir arkeolojik veri külliyatının kullanımına izin vermesiyle ilgilidir.
Hiç şüphe yok ki ML, arkeolojik örneklerin tanımlanmasına özellikle finansal faydaları açısından önemli ölçüde yardımcı olabilir. Yine de arkeolojik alanda yeni verilerin tanımlanmasını daha kolay ve güvenilir hale getirmenin tek yolu, veri paylaşımı ve iş birliğidir.
Yazan: Simon H. Bickler
Çeviren: Semra AĞAÇ SUCU
Metin, kısaltılarak çevrilmiştir.
