Alper Aşınmaz 

08 Nisan 2022 

CC BY NC SA 4.0

Bir bilim olarak arkeoloji, maddi kalıntıların belgelenmesi ve geri kazanılması yoluyla geçmiş insan faaliyetlerini inceler ve bunları maddi kültür analizleri de dahil olmak üzere çeşitli yöntemlerle yorumlar. 1950’lerin başından beri, yerleşim ve geçmiş insan yaşamının kültürel eğilimlerini anlamaya yönelik yaklaşımlar, arkeologlar arasında daha fazla dikkat çekmeye ve ilgi görmeye başlamıştır. Başka bir deyişle, arkeologlar artık bir yerleşimin veya bir grup maddi kültürün arkasında yer alan ve şekillenmesine etki eden nedenleri anlamanın, onları belgelemek kadar önemli olduğunun artık farkındadırlar. Bu nedenle, 1960’lı yılların başlarında, “yeni arkeoloji (süreçsel arkeoloji) hareketinin” ortaya çıkışının ardından, arkeologlar çalışmalarında metodolojik boşlukları bütünsel yöntemler kullanarak doldurmak için disiplinler arası yaklaşımlar kullanmaya başladılar. Bu bağlamda, CBS (Coğrafi Bilgi Sistemleri), araştırmacıların arkeolojik alanları ve materyalleri belgelemelerinin yanı sıra mekansal-zamansal analizler yapmalarına olanak sağlaması nedeniyle 1970’lerin başından itibaren arkeolojinin en önemli araçlarından biri haline geldi.

Yine 1970’lerin başından itibaren arkeologlar, belirli bir bölgedeki yerleşim ve bölgesel dinamiklere ışık tutmak için büyük ilgi ve çaba sarf ediyorlardı. Teknoloji ve bilgisayar bilimlerindeki sürekli gelişmelerle birlikte daha doğru veriler, daha sistematik,  pratik ve kolay şekilde elde edilmeye başlandı. Örneğin, yüksek çözünürlüklü uydu görüntülerine kolay erişim, gelişmiş bilgisayarlar ve dokümantasyon için kullanılan cihazlar, arkeolojik metodolojiye önemli ölçüde katkı sağlamaya başladı. Bununla birlikte, işlenecek çok miktarda veri olduğundan ve mevcut analiz yöntemleri esas olarak insanların öznel gözlemlerine dayandığından, bu bilgilerin görsel analizi bilhassa geleneksel yöntemler için çok karmaşık hale gelmeye başladı. Araştırma sürecinde ki bu zorluk, arkeolojik araştırma ve çalışmaların daha kolay, gözlemlerde daha geniş ve daha doğru hale getirmek için makine öğrenmesi ve bilgisayarlı görsel veri işleme yöntemleri ile önemli düzeyde aşılabilmektedir.

CBS ve uzaktan algılama yöntemleri, 1980’lerde olduğu gibi, arkeoloji bilimi için hala inanılmaz derecede faydalı araçlardır. Ancak, bilgisayar bilimindeki son gelişmeler sessizce arkeoloji bilimini etkilemeye başladı. Özellikle son on yılda arkeolojide yapay zeka uygulamalarında bir artış yaşandı.

Burada, makine öğrenimi tekniklerinin dayandığı üç bilişsel beceriye değinmek gerekir: öğrenme, akıl yürütme ve kendini düzelterek geliştirme. Bir makine öğrenmesi modelinin kurulması için bu üç yöntem sırasıyla kullanılmaktadır.

Öğrenme süreçleri: Veri toplamaya ve verilerin nasıl eyleme geçirilebilir bilgilere dönüştürüleceğine dair kurallar oluşturmaya odaklanır. Algoritmalar olarak bilinen kurallar, bilgi işlem cihazlarına belirli bir görevin nasıl yapılacağı konusunda adım adım talimatlar verir.

Akıl yürütme: İstenilen sonucu elde etmek için doğru algoritmayı seçmeye odaklanır.

Kendini düzelterek geliştirme: Mümkün olan en doğru sonuçları elde etmelerini sağlamak için algoritmalara sürekli olarak ince ayar yapmak için kullanılır.

Kaynak: https://datafloq.com/read/what-everyone-should-know-about-machine-learning/3465

Kaynak: https://www.mathworks.com/discovery/machine-learning.html 

Bir sinir ağı, giriş nöronlarından oluşur. Bu nöronlar ağ tarafından ağırlıklandırılır ve son olarak tahmin edilen bir çıktı üretilir.

Kaynak: https://www.learnopencv.com/wp-content/uploads/2017/10/neuron-diagram.jpg

Arkeoloji biliminde kullanılan yapay zeka uygulamaları en genel anlamda iki kategoriye ayrılabilir:

1-Arkeolojik Özellik Tespiti için Görüntü İşleme

Bu yöntem esas olarak arkeolojik malzeme veya alanların sınıflandırılması ve tanınması ile ilgilenir. Teorik olarak, uydu görüntüsünde bir höyük yerleşiminin tanınması, ML metodolojisi açısından bir radyoloji taramasında bir tümör hücresinin saptanmasından farklı değildir. Bu bağlamda Menze ve Ur (2012), alandaki en belirgin örneklerden biri olarak kabul edilmektedir. Makine öğrenmesi yöntemlerini kullanarak ASTER uydu görüntülerinden Kuzeydoğu Suriye’de bulunan arkeolojik yerleşmeleri tespit edebildiler. Uydu görüntülerinin derinlemesine analizi, insan varlığının izlerinin kapsamlı ve bütünsel olarak incelenmesine olanak sağlayabilmektedir. Yöntem, sadece tekil yerleşim yerleri değil, aynı zamanda mezarlıklar, iletişim yolları ve çevrelerindeki diğer yapıların kalıntıları da ortaya çıkarmakta etkili bir araç olma potansiyeline sahiptir.

Makine öğrenmesi yöntemleri ile görüntü işleme yaklaşımı bağlamında yakın tarihli bir başka çarpıcı örnek de Assael ve diğerleri (2019) tarafından sunulmuştur. Yazarlar, derin öğrenme yöntemlerini kullanarak eski metinlerdeki eksik karakterleri tespit etmek için bir algoritma geliştirmiştir.

2- Tahmin Modellemesi

CBS ve Uzaktan Algılama araçları, arkeolojik alanları tespit etmek veya tahmin etmek için arkeologlar tarafından 30 yılı aşkın bir süredir kullanılmaktadır. Regresyona dayalı yaklaşımlar genellikle site tahmin yöntemleri için güvenilir olarak kabul edilir. Öte yandan, AI algoritmalarının son zamanlardaki gelişimi, arkeologların yeni makine öğrenmesi tekniklerini kullanmalarını sağlamıştır. Yapay sinir ağının çalışma prensibi, karmaşıklığı ile regresyon temelli yaklaşımlardan ayrılsa da, onu tahmin için daha güçlü bir araç haline getirir.

Makine öğrenmesi yöntemleri beklendigi gibi işlerse ve verim alınırsa, 20. yüzyılın ilk yarısında keşfedilerek günümüzde de yoğun olarak kullanılan radyokarbon tarihleme yöntemlerinin arkeolojiye yaptığı katkı ile kıyaslanabilecek düzeyde devrimsel bir başarı yaratma potansiyeline sahip olacaktır.

Kaynaklar

Mapping patterns of long-term settlement in Northern Mesopotamia at a large scale – Menze & Ur 2012

Artificial Neural Networks in Archaeology – Derevignone & Janica 2006

Visualization and Automatic Typology Construction of Pottery Profiles – Maaten et al. 2009

Restoring ancient text using deep learning: a case study on Greek epigraphy – Assael et al. 2019

Advancing predictive modeling in archaeology: An evaluation of regression and machine-learning methods on the Grand Staircase-Escalante National Monument – Yaworsky et al.2020

Computational Intelligence in Archaeology. State of the Art – Barcelo 2009

https://ml2quantum.com/machine-learning/ 04/08/2022

https://datafloq.com/read/what-everyone-should-know-about-machine-learning/3465

https://datafloq.com/read/what-everyone-should-know-about-machine-learning/3465

https://sflscientific.com/data-science-blog/2017/1/9/archaeological-site-prediction-using-machine-learning