Nel febbraio 2025 l'hackathon AI4Culture ha lanciato una sfida: utilizzare strumenti di IA per trasformare, ricercare o mostrare in modo innovativo i dati del patrimonio culturale digitale. La piattaforma AI4Culture contiene una ricchezza di risorse per alimentare questi progetti: serie di dati provenienti dagli istituti di tutela del patrimonio culturale e dallo spazio di dati per il patrimonio culturale, un arsenale di strumenti di IA e risorse di formazione e materiali per il miglioramento delle competenze.
Cinque team hanno raccolto questa sfida e hanno elaborato casi d'uso coinvolgenti che combinano strumenti di IA innovativi e set di dati sul patrimonio culturale. Esplora i loro progetti qui sotto.
"Ci siamo divertiti molto ad esplorare quali dati erano disponibili tramite Europeana, anche se alla fine abbiamo usato altre fonti!", ha detto Laurens Dhaenens.
ABC: Automatizzazione del codice Blender
Il team di Zita Baronnet, Francesco Gavioli e Lara Peeters ha mirato a estrarre oggetti 2D dalle immagini e convertirli in modelli 3D utilizzando l'IA, automatizzando il processo di modellazione 3D. Il loro obiettivo era quello di semplificare il flusso di lavoro dispendioso in termini di tempo e tecnicamente complesso della creazione di modelli 3D per le applicazioni del patrimonio culturale. Il team ha utilizzato l'API Europeana, SegmentAnything, e l'immagine per il modello 3D HuggingFace per creare una pipeline che ha preso un'immagine 2D da Europeana e ha prodotto un modello 3D per il riutilizzo in Blender (software per la creazione di computer grafica 3D). Esplora il loro progetto.
Patina: de: colore del tempo
Questo progetto di Stefanie De Winter, Laurens Dhaenens, Angelica Fieschi e Stefano Fanelli si è concentrato sul tema del degrado dell'arte e della formazione della patina, con l'obiettivo di creare uno strumento che identifica e comunica l'invecchiamento delle opere digitalizzate.
Hanno cercato di migliorare la comprensione pubblica di come il tempo modella l'arte. Il team ha creato un set di dati di formazione di opere d'arte che sono state influenzate dalla patina e dall'invecchiamento, insieme alle scansioni di tali opere prima che fossero influenzate dall'età. Hanno utilizzato una rete neurale convoluzionale (CNN) per la classificazione delle immagini e hanno sviluppato un'interfaccia web per la comunicazione scientifica. Il team ha identificato il problema di avere dati di allenamento limitati e la necessità di modelli più accurati.
Guardiamo queste immagini tutto il tempo, ma ci dimentichiamo che sono modellate dal tempo. Vogliamo aggiungere questo livello che c'è ma è invisibile. Quello che vogliamo mostrare è la forma del tempo." - Stefanie de Winter
Deepculture
Il team di DeepCulture, composto da Ioannis Kapsalis, Katerina Zourou, Hannieh Habibi e Marianna Ziku, mirava a eseguire un'analisi del sentimento sui dati del patrimonio culturale per scoprire narrazioni e connessioni nascoste.
ArcAIVision
Il team ArcAIVision di Sercan Kıyak, Knar Ohanjanyan e Elçin Istif Inci ha sviluppato uno strumento AI per rilevare temi legati alla migrazione nei video storici, con l'obiettivo di scoprire connessioni nascoste e storie dimenticate nei filmati d'archivio.
Hanno estratto contenuti video dall'Istituto olandese per il suono e la visione dall'API di Europeana e hanno utilizzato BERTopic per la modellazione di argomenti e il clustering K-Nearest Neighbors (K-NN) per analizzare i fotogrammi estratti dai video. Il team ha affrontato le sfide intrinseche nell'affrontare i pregiudizi nei metadati. Anche se l'argomento che modella l'IA ha raggruppato correttamente temi simili, il team ha raggruppato manualmente termini e frame relativi alla migrazione.
E se potessimo vedere la storia attraverso una nuova lente - una che rivela connessioni nascoste e storie dimenticate? Ci sono grandi quantità di filmati d'archivio che sono difficili da navigare. Non è solo difficile da navigare, ma i metadati tradizionali sono limitati e spesso di parte. Ciò rende difficile analizzare, temi, emozioni e altro in questi set di dati" - Knar Ohanjanyan
Un2Structured
Questo progetto di Arnoud Wils mirava a estrarre dati JSON strutturati da file PDF non strutturati nel Corpus Rubenianum, concentrandosi sulle informazioni sulla provenienza e sull'iconografia.
Hanno utilizzato Llamaparse, Llamaindex, Cohere LLM API e Pydantic per l'estrazione e la strutturazione dei dati. Un2Structured ha modificato ampiamente le richieste dei loro modelli per ottenere i risultati che stavano cercando. Hanno anche sollevato domande valide su come valorizzare questi dati estratti.
Ti piacerebbe lavorare sui tuoi progetti innovativi utilizzando i dati del patrimonio culturale? Esplora le API di Europeana.