تخيل أنك مسافر عبر الزمن تمتلك كاميرا سحرية، ولكن بدلاً من التقاط صور للأشخاص، أنت تلتقط صوراً للفخار القديم، والصخور، والأدوات التي تركتها حضارات بائدة. لكي تفهم هذه الكنوز حقاً، لا تريد مجرد صورة جميلة؛ بل تحتاج لمعرفة مما تتكون، وكيف تم تشكيلها، وحتى ما هي المواد الكيميائية المختبئة داخلها. يستخدم العلماء "حواس فائقة" للقيام بذلك: أحدها يلتقط صوراً ثلاثية الأبعاد، وآخر يرى ألواناً غير مرئية، وثالث يبحث عن المعادن المخفية، ورابع يستمع إلى الاهتزازات الدقيقة للجزيئات. ولكن هناك عقبة؛ فهذه الحواس الفائقة متقلبة المزاج. إذا كان الضوء خاطئاً، أو كانت الكاميرا مهتزة، أو كانت الآلة متعبة، فإن البيانات ستكون بلا قيمة. الأمر يشبه محاولة خبز كعكة مثالية بينما مقياس حرارة الفرن مكسور، والدقيق مبلل، ولا يمكنك معرفة ما إذا كانت الكعكة قد نضجت بالفعل أم أنها مجرد فطيرة مسطحة وحزينة.

هنا تصبح المشكلة معقدة. في عالم علم الآثار، يتطلب التحقق مما إذا كان المسح "جيداً" عادةً وجود خبير بشري يحدق في البيانات ويقول: "همم، هذا يبدو غريباً". ولكن هناك الكثير من القطع الأثرية التي يجب مسحها، بحيث لا يستطيع البشر فحص كل واحدة منها. السؤال الكبير هو: هل يمكننا تعليم الكمبيوتر أن يكون مفتش الجودة؟ هل يمكننا بناء نظام لا يكتفي فقط بأخذ البيانات، بل يفهم لماذا قد يكون المسح سيئاً ويقترح كيف يجب على الروبوت المحاولة مرة أخرى؟ تغوص هذه الورقة البحثية في هذا التحدي تحديداً، وتقترح نظام ذكاء اصطناعي ذكياً و"قابلاً للتفسير"، يعمل كحارس شديد الملاحظة لمهام المسح الأثري هذه.

المحقق الرقمي للكنوز القديمة

قام مؤلفو هذه الورقة، وهم فريق من علماء الآثار والكمبيوتر المتمرسين تقنياً، ببناء نوع جديد من "المحققين الرقميين". هدفهم هو إنشاء شبكة أمان للمسح الآلي للقطع الأثرية. بدلاً من ترك الروبوت يلتقط صورة أو طيفاً ويأمل في الحصول على أفضل نتيجة، يعمل هذا النظام كحارس بوابة صارم. فهو يفحص البيانات فور جمعها ليرى ما إذا كانت جديرة بالثقة بما يكفي لاستخدامها في العلم الحقيقي.

فكر في عملية المسح مثل فرقة موسيقية تعزف في حفلة موسيقية. لديك كاميرا ثلاثية الأبعاد (الطبال)، وكاميرا فائقة الطيف (عازف الغيتار)، وآلة أشعة سينية (عازف الباص)، ومطياف رامان (المغني). كل آلة تحتاج إلى ضبط مثالي. إذا كان الطبال خارج الإيقاع، فسيبدو اللحن كله غريباً. في الماضي، إذا أخطأ الطبال، فقد لا تدرك ذلك حتى تنتهي الحفلة وتفسد التسجيلات. هذا الإطار الجديد يشبه المايسترو الذي يستمع إلى كل آلة أثناء عزفها. إذا كان الغيتار غير مضبوط النغمة قليلاً، فإن المايسترو لا يكتفي بالقول "توقف"؛ بل يقدم ملاحظة مفصلة تقول: "أيها العازف، وتر الضبط الخاص بك يحتاج إلى تعديل"، حتى يتمكن الموسيقي من إصلاحه قبل الأغنية التالية.

كيف يعمل النظام: الرقصة ذات الخطوات الست

تصف الورقة عملية مكونة من ست خطوات يجب أن تمر عبرها كل قطعة من البيانات. إنها تشبه نقطة تفتيش أمنية عالية التقنية في المطار، ولكن بدلاً من البحث عن السكاكين، هي تبحث عن "البيانات السيئة".

1. فحص المرجع: قبل أن يبدأ الروبوت في مسح الأواني القديمة، يأخذ بضع "لقطات اختبارية" لعينات مثالية ومعروفة. هذا يحدد خط الأساس، تماماً مثل ضبط الغيتار قبل العرض. يتعلم النظام ما الذي يبدو "مثالياً" لجلسة العمل تلك.
2. ترجمة الميزات: يتم بعد ذلك ترجمة كل مسح إلى قائمة طويلة من الأرقام ("متجه الميزات"). تصف هذه الأرقام كل شيء: مدى وعورة الشكل ثلاثي الأبعاد، أو مدى سطوع الألوان، أو ما إذا كانت الإشارات الكيميائية مشوشة. إنه تحويل صورة أو صوت معقد إلى تقرير بسيط.
3. عمل المحقق: ينظر النظام إلى هذه الأرقام ليرى ما إذا كان هناك أي شيء مريب. هل مستوى الضوضاء مرتفع جداً؟ هل الأشكال مشوهة بشكل غريب؟ يستخدم النظام الإحصاء لرصد الأنماط التي لا تتوافق مع خط الأساس "المثالي".
4. قرار الحكم: هنا يتدخل الذكاء الاصطناعي. يستخدم نماذج تعلم الآلة (خوارزميات ذكية مدربة على أمثلة سابقة) ليقرر: هل هذا مسح "جيد" أم "سيئ"؟ لقد اختبروا أنواعاً مختلفة من "الأدمغة" الاصطناعية لمستشعرات مختلفة. بالنسبة للنماذج ثلاثية الأبعاد، نجح "الانحدار اللوجستي" البسيط. أما بالنسبة للبيانات الكيميائية المعقدة (مثل الأشعة السينية والصور فائقة الطيف)، فقد احتاجوا إلى أدمغة "شجرية" أكثر ذكاءً مثل CatBoost وXGBoost للتعامل مع الأنماط غير الخطية الفوضوية.
5. التفسير "لماذا" (XAI): هذا هو الجزء الأكثر إثارة. عادة ما يكون الذكاء الاصطناعي "صندوقاً أسود"؛ يقول "سيئ"، لكنك لا تعرف السبب. يستخدم هذا النظام "الذكاء الاصطناعي القابل للتفسير" (XAI) لفتح الصندوق. فهو يخبر المشغل بالضبط ما الذي حدث بشكل خاطئ. هل ومض الضوء؟ هل كانت الكاميرا بعيدة جداً؟ هل كانت الإشارة ضعيفة؟ إنه مثل المعلم الذي لا يكتفي بإعطائك درجة "راسب"، بل يضع دائرة حول المسألة الرياضية التي أخطأت فيها بالضبط ويشرح لك كيفية إصلاحها.
6. حلقة التغذية الراجعة: أخيراً، يقدم النظام تعليمات. يمكنه أن يقول: "هذا جيد، استمر"، أو "هذا مقبول، ولكن دعنا نعدل الإعدادات ونحاول مرة أخرى"، أو "هذا سيء للغاية، توقف واطلب من إنسان أن ينظر للأمر". حالياً، يعمل هذا كأداة دعم قرار للمشغل؛ حيث يحدد النظام المشكلة ويقترح الحل، لكن التعديل التلقائي الفعلي للروبوت هو هدف للتطوير المستقبلي.

النتائج: مزيج مختلط من النجاح

اختبر الفريق هذا النظام على بيانات حقيقية من مشروع AUTOMATA، والذي يتضمن مسح السيراميك والحجارة القديمة. لم يستخدموا ظروفاً مخبرية مثالية فحسب؛ بل استخدموا بيانات تتضمن فوضى العالم الحقيقي، مثل أخطاء المشغل وتغير الضوء.

كانت النتائج واعدة، وإن لم تكن مثالية.

• للنماذج ثلاثية الأبعاد: حدد النظام المسحات ثلاثية الأبعاد الجيدة مقابل السيئة بنسبة دقة 80%. لاحظ الذكاء الاصطناعي أنه إذا كانت المثلثات في الشبكة ثلاثية الأبعاد نحيفة جداً أو كانت الحواف مكسورة، فإن المسح غالباً ما يكون فاشلاً.
• للتصوير فائق الطيف (HSI): كان هذا نجاحاً كبيراً. حقق النظام دقة بلغت 86% ودرجة قوية جداً بلغت 0.92 (تسمى AUC)، مما يعني أنه كان ممتازاً في رصد البيانات الطيفية السيئة. استطاع التمييز ما إذا كان الضوء غير متسق أو إذا كان المستشعر يعاني من خلل.
• لأشعة إكس الفلورية (XRF): كان النظام جيداً جداً في رصد بيانات الأشعة السينية السيئة، بدقة بلغت 94%. تعلم البحث عن أشياء مثل انخفاض عدد الإشارات أو ضوضاء الخلفية الغريبة التي قد تجعل التحليل الكيميائي عديم الفائدة.
• لمطياف رامان: كان هذا الجزء الأكثر صعوبة. حقق النظام دقة 80%، لكنه عانى قليلاً في رصد كل مسح سيئ (انخفاض في الاستدعاء/Recall). المتسبب الرئيسي؟ الفلورة. أحياناً تتوهج المواد القديمة بطريقة تطغى على الإشارة، ووجد الذكاء الاصطناعي صعوبة في التمييز بين هذا وبين مجرد مسح سيء.

ما تقوله الورقة (وما لا تقوله)

من المهم فهم ما لا تدعيه هذه الورقة. المؤلفون حذرون جداً في قول إن هذا النظام ليس بديلاً عن الحاجة إلى الخبراء البشريين أو الحاجة إلى معايرة الآلات فيزيائياً. الذكاء الاصطناعي لا يصلح الأجهزة؛ هو فقط يخبرك ما إذا كانت البيانات الناتجة هي بيانات عديمة الفائدة ويقترح كيفية تحسينها.

توضح الورقة أيضاً أن النظام حالياً هو في الغالب أداة "دعم قرار". فهو يقترح ما يجب فعله، لكنه لم يُختبر بالكامل في حلقة مغلقة حيث يقوم الروبوت بتصحيح نفسه تلقائياً دون تدخل بشري. يشير المؤلفون إلى أن النتائج الحالية "أولية" بالنسبة للنماذج ثلاثية الأبعاد لأنهم لم يمتلكوا كمية كبيرة من البيانات بعد. هم متفائلون، لكنهم يدركون أنهم بحاجة إلى المزيد من البيانات، خاصة من الروبوتات التي تقوم بالمسح تلقائياً، لجعل النظام قوياً ومؤتمتاً بالكامل.

الصورة الكبيرة

ببساء، تقترح هذه الورقة طريقة لمنع علماء الآثار من إضاعة الوقت في تحليل بيانات عديمة الفائدة. من خلال استخدام نظام ذكاء اصطناعي ذكي وقابل للتفسير، يمكنهم رصد الأخطاء مبكراً، وتحديد الإعدادات الصحيحة للإصلاح، وضمان أن كل مسح لقطعة أثرية قديمة واضح ودقيق قدر الإمكان. إنه خطوة نحو مستقبل حيث يمكن للروبوتات استكشاف التاريخ بنفس العناية والاهتمام بالتفاصيل التي يمتلكها الخبير البشري، ولكن دون تعب أو تشتت. النظام لا يكتفي بالقول "هذا سيئ"؛ بل يخبرك لماذا هو سيئ وكيف تجعله جيداً، محولاً كارثة محتملة إلى فرصة تعلم للآلة.