Ein Beitrag von Turna Somel¹, Eugen Rusakov², Christopher Rest³, Denis Fisseler³, Gerfrid G.W. Müller¹, Gernot A. Fink² und Frank Weichert³
1. Einleitung
Der vorliegende Abstract widmet sich der Vorstellung des DFG-Projekts “Computer-unterstützte Keilschriftanalyse (CuKa)”. Das Ziel des Projektes ist, ein langlebiges und erweiterbares Online-Tool zu entwickeln, das öffentlich zugänglich ist. Die Kernfunktion dieses Tools basiert auf ein für Zeichenerkennung trainiertes neuronales Netzwerk, das Fotos und 3D-Modelle von Tontafeln aus kooperierenden online Repositorien Zeichen für Zeichen automatisch annotiert, und das die annotierten Daten aus einer oder mehreren Tafeln in einem sortierbaren Format zurückgeben soll. Damit wird beabsichtigt, größere Datenmengen in einem kürzeren Zeitraum zu bearbeiten. Diese Sammlung an Daten soll nicht als ein endgültiges Resultat, sondern als eine grobe und noch zu verfeinernde Basis für paläographische Arbeiten verwendet werden. Das KI-Modell wurde mit hethitischen Tafeln trainiert.
Durch den Fokus des Projektes auf Zeichenklassifikation im Gegensatz zur automatischen Erkennung der Lautwerte lässt es sich von Forschungsprojekten, die ein OCR-Verfahren für Keilschrifttexte entwickeln, abgrenzen. Ebenfalls grenzt es sich von Forschungsprojekten ab, die ein Tool für Zeichenerkennung bei Autographien entwickeln, da das Quellenmaterial bei CuKa aus Fotos und 3D-Modellen besteht.
2. Methoden und Ergebnisse
Die auf ein Convolutional Neural Network (CNN) basierende Modelle wurden anhand komplett annotierter Tafeln trainiert. Als Quellenmaterial wurden Tontafeln aus Hattusa, aus der zweiten Hälfte des zweiten Jahrtausends v. u. Z. genommen; es wurde besonders darauf geachtet, ein breites Spektrum an Textgattungen zu nehmen, um eine möglichst weite Bandbreite an Zeichenarten und Handschriften einarbeiten zu können. Die Annotationen wurden auf einer Zeichen-Basis durchgeführt.
Da da ein maschinelles Lernen von Keilschriftzeichen von Fotos und 3D-Modellen noch terra incognita ist, sind Experimente für besser funktionierenden Verfahren nötig. Ein bereits von Rusakov et al. (2020) veröffentlichter Versuch, die Präzision der Zeichenerkennung zu erhöhen, stützt sich auf die Erstellung einer Repräsentation der Bestandteile eines Zeichens (d. h. einzelne Keile), die im Folgenden als Attribute bezeichnet werden, durch die Gottstein-Attribute (Gottstein 2013). Diese Testreihe übernimmt eine Liste der Gottstein-Attribute von hethitischen Zeichen, die auf Initiative von M. Cammarosano im Rahmen des Projektes “3D-Joins und Schriftmetrologie” erstellt wurde.
(Gottstein 2013: 129, Abb. 1)
Im Rahmen dieses Versuchs wurden die Gottstein-Attribute in Kombination mit den letzten Keilen der Zeichen als die Zeichenklasse beschreibende Attribute verwendet. Dieses Modell, in dem 291 Zeichenklassen trainiert wurden, erreicht ein “mean average precision” (MAP) von 91% in einem Query-by-Example Szenario (d. h. Suchanfragen, die durch Bildeingabe durchgeführt werden), wenn die Gewichtung der Ergebnisse der natürlich vorkommenden Häufigkeit der Zeichenklassen in hethitischen Texten entspricht. Wenn die Gewichtung der Ergebnisse gleichwertig unter allen im Training vorhandenen Zeichenklassen durchgeführt wird, wird ein MAP von 72% in einem Query-by-Example Szenario erreicht. In einem Query-by-Expression Szenario (d. h. Suchanfragen, die durch eine Angabe der Zeichennamen in Transliteration durchgeführt werden) mit einer gleichwertigen Gewichtung aller Zeichenklassen wird ein MAP von 81% erreicht (Rusakov et al. 2020). Diese Ergebnisse zeigen, dass die seltener vorkommenden Zeichen mit einer deutlich geringeren Präzision erkannt werden.
Als weiteres Ergebnis wird eine vorläufige Version des Online-Tools, das noch nicht öffentlich zugänglich ist, während des Workshops vorgestellt.
(Beispiel eine durch ein KI-Modell generierte Annotation)
3. Abschluss
Zusammenfassend lässt sich sagen, dass auf maschinelles Lernen bzw. neuronale Netzwerke basierende Suchmaschinen großes Potenzial haben, den Arbeitsaufwand bei paläographischen Untersuchungen zu verringern. Die immer noch bestehenden Herausforderungen, wie die Unterscheidung zwischen ähnlich aussehenden Zeichen, oder die richtige Erkennung von Zeichen mit kleineren Zeichen als Bestandteile, sollten durch eine größere Menge von annotierten Material und die Weiterentwicklung der KI-Modelle verringert werden.
4. Literatur
Gottstein, N. (2013): “Ein stringentes Identifikations- und Suchsystem für Keilschriftzeichen.” MDOG 145: 127-135.
Rusakov, E. et al. (2020): “Towards Query-by-eXpression Retrieval of Cuneiform Signs.” In: Proc. of the ICFHR, Dortmund, NRW, Germany.
¹ Akademie der Wissenschaften und der Literatur, Mainz
² Lehrstuhl Informatik 12, Arbeitsgruppe “Mustererkennung in Eingebetteten Systemen”, TU Dortmund
³ Lehrstuhl Informatik 7, Arbeitsgruppe “Graphische Systeme”, TU Dortmund
Kurzvita
Turna Somel studierte an der Bilkent Universität, sowie an der Philipps-Universität Marburg, wo sie ihren Master in Sprach- und Kulturwissenschaften des Vorderen Orients machte und 2019 ihr Promotionsstudium begann. Zurzeit arbeitet sie als wissenschaftliche Mitarbeiterin im Forschungsprojekt Computer-unterstützte Keilschriftanalyse an der Akademie der Wissenschaften und der Literatur in Mainz. Ihre Forschungsinteressen beinhalten die Religions- und Wissenschaftsgeschichte des nahen Ostens im 2. und 1. Jahrtausend v. u. Z., sowie die Keilschriftpaläographie.
OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
IDCS (22. Februar 2021). Zeichenerkennung mithilfe der künstlichen Intelligenz – Computer-unterstützte Keilschriftanalyse. IDCS - Initiative for Digital Cuneiform Studies. Abgerufen am 18. März 2025 von https://idcs.hypotheses.org/283