🎙️ Estudo de Caso – Archäologisches Museum Hamburg: « Photo Detective » e a Análise Automatizada de Arquivos Históricos

Descrição

Introdução Esta primeira série destaca exemplos concretos de como a IA está sendo implementada em museus ao redor do mundo. Este estudo de caso examina o projeto « Photo Detective » desenvolvido pelo Archäologisches Museum Hamburg (AMH). Esta iniciativa aborda o desafio de gerenciar vastas coleções de fotografias analógicas, das quais cerca de 75% já foram digitalizadas. Para melhorar a capacidade de pesquisa para curadores e pesquisadores, o projeto, financiado como Prova de Conceito (POC) pelo Fundo InnotechHH, implementou um sistema de etiquetagem automatizada impulsionado por IA. A Dimensão Tecnológica Reconhecimento de Objetos e Contexto A plataforma « Photo Detective » utiliza visão por computador e reconhecimento de objetos para analisar as imagens históricas. O sistema foi treinado usando 2.613 imagens anotadas manualmente. Embora 37 classes de objetos tenham sido consideradas durante a fase de rotulagem, 21 classes foram incluídas no modelo de treinamento final. As classes de objetos reconhecidos variam de figuras comuns como “pessoa” e “carro” a itens específicos como “bola de esporte,” “estrutura de madeira” (timber framing), “telhado de palha” (thatched roof) e “janelas a cuadros” (lattice window). Além de identificar objetos isolados, o projeto visa detectar contextos específicos, como eventos esportivos. A tecnologia também demonstrou sucesso no etiquetamento de postais que incluem texto e até mesmo gravuras históricas. A Metodologia de « O Humano no Circuito » Uma característica essencial do fluxo de trabalho do « Photo Detective » é a abordagem centrada no « Humano no Circuito » (Human-in-the-Loop), que garante a qualidade e a precisão das previsões da IA. Este ciclo de seis etapas inclui: * Anotação de Dados: Os dados de treinamento são etiquetados manualmente. * Treinamento do Modelo: Os dados anotados são usados para treinar o modelo. * Avaliação do Modelo: Profissionais avaliam o desempenho do modelo para garantir a qualidade da previsão. * Hospedagem do Modelo: O modelo é disponibilizado na plataforma para seleção do usuário. * Processamento em Massa: Os usuários iniciam o processamento automatizado de grandes conjuntos de dados. * Retroalimentação (Feedback): O feedback contínuo é integrado ao banco de dados para refinar as futuras fases de anotação. Impactos no Setor Cultural Ao automatizar o processo de etiquetagem, o museu reduz significativamente o tempo de processamento de arquivos. Além disso, a AMH planeja disponibilizar seus dados de treinamento como « dados abertos » (open data) para outras instituições culturais, fomentando a inovação digital no setor. A capacidade de pesquisa aprimorada permite que a história se torne um recurso mais acessível para a exploração no século XXI. Conclusão O projeto « Photo Detective » ilustra como a IA pode transformar um arquivo tradicional em um recurso altamente pesquisável e interativo. Ao combinar o reconhecimento automatizado de objetos com uma supervisão humana rigorosa, o museu demonstra como instituições especializadas podem alavancar a IA para redefinir suas práticas no cotidiano. Get full access to MuseumWeek Magazine at museumweek2h1r4.substack.com/subscribe