אחת המשימות הקשות בארכיאולוגיה היא למצוא שרידים קטנים בשטחים עצומים, במיוחד כאשר הם מוסתרים מתחת לצמחייה או כמעט נטמעים בפני הקרקע. מחקר חדש שפורסם בכתב העת המדעי Advances in Archaeological Practice, מציג פתרון אפשרי: החוקרים לימדו מערכת בינה מלאכותית לזהות מבנים ארכיאולוגיים באמצעות דוגמאות מלאכותיות שיצרו בעצמם. לאחר מכן הפעילו אותה על מפות תלת-ממדיות מדויקות של פני השטח, והיא הצליחה לאתר מבנים מוכרים וגם לסמן מקומות חדשים שעשויים להצדיק בדיקה בשטח.
המחקר התמקד ב-12 מבנים עגולים יוצאי דופן שהתגלו ביער הלאומי קיסאצ'י שבלואיזיאנה. בתחילה סברו החוקרים כי המבנים עשויים להיות כבשנים היסטוריים ששימשו להפקת זפת, שרף וחומרים נוספים מעצי אורן. אלא שהצורה שלהם הייתה שונה מכבשנים מוכרים שהתגלו במקומות אחרים בדרום־מזרח ארצות הברית.
ההבדל הזה יצר בעיה עבור הבינה המלאכותית. כדי ללמד מערכת לזהות עצם מסוים, בדרך כלל צריך לספק לה מספר גדול של דוגמאות. במקרה הזה עמדו לרשות החוקרים 12 מבנים בלבד – כמות קטנה מכדי ליצור מאגר אימון אמין.
החוקרים החליטו לייצר בעצמם את המידע שחסר להם. הם יצרו במחשב הדמיות של המבנים המבוקשים והכניסו אותן לתוך מפות אמיתיות שנוצרו באמצעות טכנולוגיית לידאר. לידאר מאפשר למדוד בצורה מדויקת מאוד את גובה פני הקרקע. עבור ארכיאולוגים מדובר בכלי משמעותי במיוחד, משום שהוא יכול לחשוף שינויים קטנים בתוואי השטח ואף לסייע בזיהוי מבנים שקשה לראות בגלל יער וצמחייה. כך קיבלה הבינה המלאכותית מספר גדול של "אתרים" שעליהם הייתה יכולה להתאמן, מבלי שהחוקרים יצטרכו לגלות קודם מאות מבנים אמיתיים.
החוקרים בחנו שתי שיטות שונות ליצירת הדוגמאות המלאכותיות. המודל הראשון סימן 183 מקומות אפשריים. לאחר סינון אוטומטי נותרו 142 לבדיקה, ומתוכם הצליחה המערכת לזהות תשעה מתוך 12 המבנים שכבר היו ידועים. בנוסף, היא סימנה שישה מקומות אחרים שנמצאו ראויים לבדיקה נוספת. המודל השני היה רגיש יותר. הוא הצליח לזהות את כל 12 המבנים הידועים, ובנוסף סימן 11 עצמים חדשים שהחוקרים סברו שכדאי לבדוק. אבל להצלחה הזאת היה מחיר משמעותי: המערכת הצביעה בתחילה על 2,032 עצמים. לאחר סינון נותרו 709, ומתוכם 686 התבררו כזיהויים שגויים.
חלק גדול מהטעויות נגרם משום שתוואי שטח טבעיים או מעשה ידי אדם נראו למערכת דומים למבנים שחיפשה. בין היתר היא זיהתה בטעות מאגרי מים, תעלות ניקוז ותלוליות טבעיות. החוקרים הצליחו לצמצם חלק מהטעויות באמצעות מסננים נוספים שהתייחסו לצורת הקרקע. למשל, ניתן היה להבחין בין תלולית הבולטת מעל פני השטח לבין המבנים המבוקשים, שהיו בעלי צורה המזכירה יותר שקע.
לשם השוואה, החוקרים אימנו מודל נוסף באמצעות כבשני זפת אמיתיים מדרום קרוליינה, לאחר שהתאימו את נתוני הגובה לצורת המבנים בלואיזיאנה. המודל הזה הצליח לזהות 11 מתוך 12 המבנים וסימן שבעה מקומות נוספים לבדיקה.
אלא שהחלק המעניין ביותר במחקר הגיע דווקא כאשר החוקרים יצאו מהמחשב אל השטח. הם בדקו 11 מתוך 12 המבנים המקוריים ואף ביצעו בדיקות קרקע בשניים מהם. אם אכן היה מדובר בכבשני זפת, הם ציפו למצוא סימנים אופייניים כמו כמויות גדולות של פחם, שרידי עץ אורן שרוף, צינורות עץ קבורים או רצפות חרס קשות.
במקביל הבחינו החוקרים שהמבנים נמצאים בסמוך לאזור ששימש בעבר לאימונים צבאיים בתקופת מלחמת העולם השנייה. לאחר שבחנו את מיקומם וצורתם ואף נעזרו במדריך אימונים מתקופת המלחמה, הגיעו למסקנה שהם ככל הנראה קשורים לפעילות הצבאית. אחת האפשרויות שהעלו היא שמדובר בעמדות שיועדו לתותחי הוביצר.
התוצאות מדגימות גם את היתרון וגם את המגבלה של השיטה. המערכת יכולה לסרוק במהירות שטחים גדולים ולצמצם את מספר המקומות שבהם ארכיאולוגים צריכים להתמקד. עם זאת, היא אינה יכולה לקבוע לבדה מה באמת נמצא בקרקע. במקרה הזה הבינה המלאכותית הצליחה למצוא צורות חריגות בנוף, אבל רק הבדיקה בשטח אפשרה לחוקרים להבין שההשערה המקורית לגבי מקורן כנראה הייתה שגויה. למרות מאות הזיהויים המוטעים, החוקרים מציינים כי סינון התוצאות עדיין דרש פחות זמן מסקר רגלי של כל השטח.
המשמעות הרחבה יותר של המחקר נוגעת לבעיה שמלווה את השימוש בבינה מלאכותית בארכיאולוגיה: לעיתים קרובות פשוט אין מספיק אתרים ידועים כדי ליצור מאגר אימון גדול. יצירת מבנים מדומים עשויה לעקוף את המכשול הזה. במקום להשקיע זמן רב בסימון ידני של מאות או אלפי אתרים אמיתיים, ניתן לייצר בתוך דקות דוגמאות מלאכותיות רבות ולהשתמש בהן כדי ללמד את המערכת מה לחפש.
החוקרים מעריכים כי מאגרי אימון גדולים יותר, שיכללו אלפי הדמיות, עשויים לשפר בעתיד את הדיוק. המטרה אינה לשלוח בינה מלאכותית "לעשות ארכיאולוגיה" במקום בני אדם, אלא להשתמש בה כדי לענות על שאלה פשוטה הרבה יותר: מתוך שטח עצום, איפה כדאי לארכיאולוגים להתחיל לחפש?
