Al giorno d’oggi, i progressi nell’Intelligenza Artificiale (AI), in particolare nel machine e nel deep learning, presentano nuove opportunità per costruire strumenti che supportino il lavoro di specialisti in aree apparentemente lontane dal campo delle tecnologie dell’informazione.
Un esempio di tali aree è quello dell’antica scrittura geroglifica egiziana. In questo studio (pubblicato sulla rivista IEEE Access da Andrea Barucci e Costanza Cucci dell’Istituto di fisica applicata «Nello Carrara» del Consiglio nazionale delle ricerche Cnr-Ifac, Fabrizio Argenti e Marco Loschiavo del Dipartimento di Ingegneria dell’Informazione dell’Università di Firenze, in collaborazione con l’egittologo Massimiliano Franci del Centro Studi CAMNES – Center for Ancient Mediterranean and Near Eastern Studies), il team esplora la capacità di diverse reti neurali convoluzionali (CNN – Convolutional Neural Network) di classificare immagini di antichi geroglifici egizi provenienti da due diversi set di dati di immagini.
Tre ben note architetture CNN (ResNet-50, Inception-v3 e Xception) sono state prese in considerazione e addestrate sulle immagini disponibili. È stato testato anche il paradigma del transfer learning.
Inoltre, modificando l’architettura di una delle reti precedenti, abbiamo sviluppato una CNN specificatamente dedicata, denominata Glyphnet, adattando la sua complessità al nostro compito di classificazione. Sono stati effettuati test di confronto delle prestazioni e Glyphnet ha mostrato le migliori prestazioni rispetto alle altre CNN.
In conclusione, questo lavoro mostra come l’attività di identificazione degli antichi geroglifici egizi possa essere supportata dal paradigma del deep learning, ponendo le basi per strumenti informativi a supporto del riconoscimento automatico dei documenti, della classificazione e, soprattutto, dell’attività di traduzione linguistica.
