Как ИИ помогает историкам лучше понять наше прошлое

Sep 06, 2023

Историки завтрашнего дня используют информатику для анализа того, как люди жили столетия назад.

Вечер 1531 года в Венеции. В типографии ученик трудится над макетом страницы, предназначенной для учебника по астрономии: плотная линия шрифта и гравюра на дереве, на которой изображена голова херувима, наблюдающая за формами, движущимися по космосу, символизирующими лунное затмение.

Как и все аспекты книжного производства в 16 веке, это трудоемкий процесс, но он позволяет знаниям распространяться с беспрецедентной скоростью.

Пятьсот лет спустя производство информации стало совершенно другим зверем: терабайты изображений, видео и текста в потоках цифровых данных, которые циркулируют почти мгновенно и должны быть проанализированы почти так же быстро, что позволяет — и требует — обучения машин -обучение моделям сортировки потока. Этот сдвиг в производстве информации имеет последствия для будущего всего: от создания произведений искусства до разработки лекарств.

Но эти достижения также позволяют по-другому взглянуть на данные из прошлого. Историки начали использовать машинное обучение — в частности, глубокие нейронные сети — для изучения исторических документов, в том числе астрономических таблиц, подобных тем, которые были созданы в Венеции и других городах раннего Нового времени, испачканных веками, проведенными в заплесневелых архивах, или искаженных оплошностью печатной руки.

Историки говорят, что применение современной информатики к далекому прошлому помогает установить связи в более широком диапазоне исторических данных, чем это было бы возможно в противном случае, исправляя искажения, возникающие в результате анализа истории по одному документу за раз. Но оно само по себе вносит искажения, в том числе риск того, что машинное обучение внесет предвзятость или явную фальсификацию в исторические данные. Все это ставит вопрос перед историками и другими людьми, которые, как часто утверждают, понимают настоящее, изучая историю: поскольку машины призваны играть более важную роль в будущем, насколько мы должны уступить им прошлого?

Большие данные пришли в гуманитарные науки благодаря инициативам по оцифровке растущего числа исторических документов, таких как коллекция миллионов газетных страниц Библиотеки Конгресса и судебные протоколы Финских архивов, датированные XIX веком. Для исследователей это одновременно проблема и возможность: информации гораздо больше, и зачастую не существует способа ее проанализировать.

Автоматизация ИИ на протяжении всего процесса разработки лекарств открывает возможность создания более быстрых и дешевых фармацевтических препаратов.

Эта задача была решена благодаря разработке вычислительных инструментов, которые помогают ученым анализировать сложные явления. В 2009 году Йоханнес Прейзер-Капеллер, профессор Австрийской академии наук, изучал реестр решений Византийской церкви XIV века. Понимая, что для осмысления сотен документов потребуется систематическое цифровое исследование взаимоотношений епископов, Прейзер-Капеллер создала базу данных отдельных лиц и использовала программное обеспечение для сетевого анализа, чтобы восстановить их связи.

Эта реконструкция выявила скрытые модели влияния, что побудило Прейзера-Капеллера утверждать, что епископы, которые больше всего говорили на собраниях, не были самыми влиятельными; С тех пор он применил эту технику к другим сетям, в том числе к византийской элите XIV века, обнаружив способы, которыми ее социальная структура поддерживалась за счет скрытого вклада женщин. «Мы смогли в определенной степени определить, что происходило за пределами официальной версии», — говорит он.

Работа Прейзера-Капеллера — лишь один из примеров этой тенденции в науке. Но до недавнего времени машинное обучение часто было неспособно делать выводы на основе все больших коллекций текста — не в последнюю очередь потому, что некоторые аспекты исторических документов (в случае Прайзера-Капеллера — плохо рукописный греческий текст) делали их неразборчивыми для машин. Теперь достижения в области глубокого обучения начали устранять эти ограничения, используя сети, имитирующие человеческий мозг, для выявления закономерностей в больших и сложных наборах данных.