IA y Colecciones de Imágenes del Patrimonio Cultural: Oportunidades y desafíos

Este artículo contribuye a la discusión sobre las oportunidades y desafíos de aplicar visión por computadora y aprendizaje automático a colecciones de imágenes archivadas de significativo valor cultural. Exploramos estas cuestiones desde una perspectiva institucional. Nuestro estudio de caso es un proyecto piloto desarrollado en Dumbarton Oaks, un instituto de investigación y biblioteca, museo y jardín histórico afiliado a la Universidad de Harvard y ubicado en Washington, DC. El proyecto se centró en una colección de 10,000 imágenes de monumentos sirios en las Colecciones de Imágenes y Archivos de Campo (ICFA) de la institución. Basándonos en ese proyecto, así como en el panorama más amplio de los esfuerzos de categorización basados en IA en los campos del arte y la arquitectura, compartiremos nuestras ideas sobre el potencial de la IA para facilitar y mejorar el acceso y la grabación de imágenes archivadas. Muchos de los sitios sirios en la colección de Dumbarton Oaks han estado inaccesibles para investigadores y el público durante más de una década y/o han sufrido daños o destrucción. El proyecto piloto, llevado a cabo entre 2019 y 2020, fue una colaboración entre Dumbarton Oaks; un socio tecnológico comercial, ArthurAI Inc.; y un equipo de investigación en informática de la Universidad de Maryland. Para Dumbarton Oaks, el objetivo principal era explorar si la IA puede mejorar la rapidez y eficiencia de compartir colecciones y permitir una curaduría más sofisticada por parte de expertos en la materia que, gracias a la automatización, estarían liberados de la carga del procesamiento mecánico. Para los socios tecnológicos, el valor experimental del proyecto radicaba en la disponibilidad de una colección que podría compartirse de acceso abierto (sin problemas de privacidad o derechos de autor) y que estaba lo suficientemente enfocada como para generar un conjunto de datos específico del dominio. Los métodos y técnicas explorados incluyeron clasificación multi-etiqueta, clasificación multi-tarea, agrupamiento de imágenes no supervisado y explicabilidad.