Un interessante approccio, innovativo e alternativo, per la classificazione dei frammenti ceramici viene proposto da Leszek M.Pawlowicz e Christian E.Downum, ricercatori del Dipartimento di Antropologia della Northern Arizona University. In uno studio che appare nel volume 130 del Journal of Archaeological Science (Giugno 2021).
Il deep learning, se opportunamente programmato - è questo il risultato della ricerca analitica - può eseguire, con efficienza e precisione maggiori di quelle di quattro archeologi esperti, il processo di classificazione dei frammenti di ceramica in sottotipi. Il caso di studio nel dettaglio ha analizzato l’antica ceramica dipinta nel sud-ovest americano, la Tusayan White Ware.
La Tusayan White Ware (TWW) appartiene ad un'antica tradizione di ceramica decorata proveniente dal Canyon e dagli altipiani dell'Arizona nordorientale, prodotta principalmente nell'area compresa tra l'odierna Tuba City e Kayenta. Le antiche popolazioni che la utilizzavano sono antenate del popolo Hopi e probabilmente anche di altri gruppi tribali moderni. Ceramica dipinta a mano, la TWW veniva utilizzata principalmente per servire cibo e trasportare acqua durante i periodi Pueblo primo, secondo e terzo, circa 825-1300 d.C. I vasi presentano disegni geometrici a vernice organica che varia dal marrone scuro al nero su di un fondo bianco. Per quasi un secolo la classificazione dei TWW è servita agli archeologi per la datazione di siti archeologici nel paesaggio. Tuttavia, sono sorti interrogativi relativi al suo utilizzo, come alla tipologia e alla capacità degli archeologi di applicarla in modo coerente e accurato alla classificazione anche dei frammenti ceramici.
Nonostante l'utilità documentata dei tipi TWW per la datazione dei fenomeni archeologici, la tipologia TWW ha presentato sino ad oggi discrepanze come molte altre tipologie archeologiche. I sistemi tipologici utilizzati dagli archeologi - incluso il sistema di varietà di tipo ceramico cosiddetto del Sud-Ovest - sono da considerarsi anacronistici. Le tipologie minimizzano infatti intenzionalmente la complessità raggruppando i reperti in categorie, con il rischio di oscurare variazioni significative che non si adattano facilmente a classificazioni definite.
Tradizionalmente, le tipologie sono state tramandate attraverso sistemi classificatori del tipo maestro-apprendista, la maggior parte delle quali implicano una notevole soggettività nella realizzazione e nella applicazione di regole tassonomiche con considerazioni incomplete o inadeguate. Di conseguenza possono ancora presentarsi regole di classificazione non esplicite e talvolta contraddittorie nell'interpretazione soggettiva di criteri tipologici. In aggiunta le tipologie stesse richiedono periodiche revisioni e le classi di archiviazione appaiono spesso superate ed inefficaci.
Lo sviluppo del moderno metodo di apprendimento Convolutional Neural Networks (CNN), insieme al progresso delle possibilità di hardware per accelerarne l'elaborazione, ha rivoluzionato il campo della Computer Vision, in particolare la capacità dei computer di riconoscere e classificare le immagini visive. Le CNN vengono addestrate su immagini campione, etichettate attraverso processi di regolazione manuale degli intervalli di valore di particolari parametri, in modo da identificare oggetti simili da immagini senza etichetta.
La classificazione delle CNN può in maniera obiettiva e perfettamente coerente abbinare una specifica immagine di un frammento di ceramica non classificato alle sue controparti più simili attraverso una ricerca di migliaia di foto digitali.
Questo risultato ha avuto imponenti implicazioni per le analisi archeologiche delle relazioni temporali, delle tendenze stilistiche regionali e dell'evoluzione e diffusione di tecnologie e stili antichi. Suggerisce inoltre che i modelli di apprendimento automatico possono potenzialmente integrare le metodologie tradizionali a favore di un raggruppamento e di un confronto più diretto di singoli artefatti frammentati anche se privi di evidenti peculiarità decorative.
L’apprendimento automatico non risolve tutte le aporie delle attuali differenti tipologie esistenti e non sostituisce gli esseri umani, preoccupazioni che alcuni archeologi hanno ritenuto di condividere e dalle quali gli autori stessi, Downum e Pawlowicz, non sono stati del tutto scevri fin da quando lo studio ha iniziato a circolare. Tuttavia sono strumenti potenzialmente affinati e tali da perfezionare il grado di obiettività, la replicabilità, la velocità e l'efficienza della classificazione dei materiali. Le implicazioni analitiche sono ancora passibili di sviluppi ulteriori ed appaiono sempre più mirate alla completezza di schedatura di interi e variamente estesi complessi di reperti.
FIG. 2 - Esempi di corrispondenza dell'immagine frammento utilizzando l'output del primo stadio del modello CNN.
Fonte: Science direct
Copia qui lo "short link" a questo articolo
www.archeomatica.it/{sh404sef_shurl}