Intelligenza Artificiale per lo studio della maiolica di Montelupo Fiorentino
Questo progetto di ricerca nasce nell’ambito del programma di dottorato nazionale di Artificial Intelligence for Society, bandito dal Dipartimento di Informatica dell’Università di Pisa.
Lo studio delle ceramiche antiche ha una forte connessione con le metodologie informatiche e statistiche in genere. Sin dai primi anni Cinquanta del secolo scorso questi strumenti hanno coadiuvato efficacemente lo studio di massicci insiemi di dati. Ciò ha avuto i suoi riflessi in archeologia se si considera che i rinvenimenti ceramici, in genere molto corposi presso i siti archeologici, entrano nel novero dei large dataset (Djindjian 2019).
Il rapido progresso nella digitalizzazione dei beni culturali ha visto notevoli passi in avanti anche nell’analisi dei reperti ceramici (Bickler 2021 e Karl et al. 2022 per una rassegna completa). L’archeologia computazionale e in particolare quella che utilizza le reti neurali, ad esempio, ha sviluppato approcci avanzati per la classificazione sulla base di stili figurativi o di sequenze temporali, così come per la “lettura” di informazioni cronologiche (Ramazzotti 2020). Passando allo scandaglio grandi insiemi di artefatti, se opportunamente addestrate, le reti neurali sono in grado di rivelare connessioni tra diverse facies o sottogruppi di una stessa cultura oppure ne evidenziano trend significativi nello sviluppo o diffusione (Parisotto et al. 2022). Si aggiunge che le tecniche di machine learning lavorano entro tempi più ridotti e con buona accuratezza quando paragonate a degli archeologi specialisti.
Questa proposta di ricerca utilizza il deep learning per accentuare il valore di una già riconosciuta risorsa territoriale quali sono le ceramiche tardo e post-medievali di Montelupo Fiorentino, che si distinguono per il loro ampio apparato decorativo.
Linee di ricerca
- Tentare di migliorare i risultati della classificazione basata appunto sul genere decorativo, concentrandosi nello specifico su quelle classi, che per i loro dettagli decorativi o per la bassa rappresentatività, appaiono più problematiche rispetto ad altre, in questo modo provando ad affrontare alcune difficoltà emerse durante il progetto ArchAIDE. La cosiddetta Explainable Artificial Intelligence (XAI) permette di visualizzare su quale parte del coccio e della sua decorazione la rete neurale convoluzionale, opaca per sua natura, si concentra per fare la sua predizione. Queste zone di “maggior concentrazione” appaiono rosse. Indagando più a fondo sul processo decisionale della rete si può capire perché la sua predizione differisce dalla classificazione accettata dalla comunità scientifica (“ground truth”).
- Riprodurre modellini tridimensionali informativi e realistici di vasi interi tramite l’utilizzo della Intelligenza Artificiale Generativa. Queste ricostruzioni virtuali possono accompagnare i reperti nelle mostre museali, o essere utilizzati per scopi educativi o nell’industria dell’intrattenimento, in questo modo contribuendo al campo del restauro e conservazione digitale.
Riferimenti bibliografici
Bickler 2021
Simon H. Bickler. Machine learning arrives in archaeology. Advances in Archaeological Practice, 9(2):186–191, 2021.
Djindjian 2019
Franc ̧ois Djindjian. Archaeology and computers: a long story in the making of modern archaeology. Archeologia e Calcolatori, 30:13–20, 2019.
Karl et al. 2022
Stephan Karl, Peter Houska, Stefan Lengauer, Jessica Haring, Elisabeth Trinkl, and Reinhold Preiner. Advances in digital pottery analysis. it – Information Technology, 64(6):195–216, 2022.
Parisotto et al. 2022
Simone Parisotto, Ninetta Leone, Carola-Bibiane Sch ̈onlieb, and Alessandro Launaro. Unsupervised clustering of roman potsherds via variational autoencoders. Journal of Archaeological Science, 142:105598, 2022.
Ramazzotti 2020
Marco Ramazzotti. Modelling the past. logics, semantics and appli- cations of neural computing in archaeology. Archeologia e Calcolatori, 31:169–180, 2020.
Progetto a cura di:
Federica Mauro
federica.mauro@phd.unipi.it