Inteligencia Artificial (IA) en la Arqueología

Todo se está viendo afectado por el Machine Learning (ML), desde los electrodomésticos hasta los vehículos, pero ¿y la arqueología?

En este artículo vamos a desgranar las diferencias entre inteligencia artificial (IA), Machine Learning (ML) y deep learning (DL) para ver cómo está afectando a la sociedad y qué influencia tiene en la arqueología. ¡Empezamos!

Cada día que pasa nos asaltan más y más noticias con novedades surgidas de la tecnología. Esta tecnología está en los últimos años vinculada casi de manera perenne a conceptos como el de Inteligencia Artificial (IA), Machine Learning (ML) y Deep Learning (DL), pero ¿qué son y en qué se diferencian? De forma muy resumida podríamos decir que la inteligencia artificial se equipararía a una máquina capaz de imitar el pensamiento humano mientras que el Machine Learning sería un subconjunto de la inteligencia artificial en donde las máquinas, «entrenadas» por personas, aprenden a reconocer patrones y hacer predicciones. Y por último, el deep learning, que sería a su vez un subconjunto del Machine Learning, en donde la máquina podría razonar y sacar conclusiones por sí misma. De todas formas, estas definiciones son muy superficiales y no ahondan en la complejidad de sus realidades. A lo largo de todo el artículo se hará referencia al Machine Learning como conjunto del mismo y del deep learning para evitar excesiva complejidad en la lectura.

Definidas someramente, pasemos al «para qué» se usan.

Poco a poco entendemos que ya no se trata de simples algoritmos o recetas en las que encadenar instrucciones más sencillas, sino que estos sistemas pueden llegar a conectarse con el entorno para tomar decisiones. En muy resumidas cuentas, y por lo que nos toca en este artículo, podemos ejemplificar con una de las finalidades más nobles que puede tener esta nueva inteligencia, la medicina y la búsqueda de patrones de cáncer. Mientras que un oncólogo se basa en sus conocimientos aprendidos y en su experiencia para poder identificar un cáncer a través de imágenes de rayos X, una inteligencia artificial puede haber tenido la experiencia de cientos de miles de registros pasados para poder deducir una nueva clínica para el paciente. Pero por supuesto, alguien tuvo en este caso que enseñar al robot. Esto en programación se llama Machine Learning supervisado, ya que como hemos indicado, necesita de un supervisor que clasifique previamente las entradas antes de que la máquina pueda generar las salidas. Un ejemplo de ello todavía más cercano es el que nosotros mismos supervisamos cuando eliminamos el Spam de nuestro correo. Por cada correo mandado a Spam el gestor de correspondencia digital toma nota para futuras ocasiones, es decir, somos nosotros los que estamos entrenando al algoritmo.

Campos de aplicación como la robótica, la medicina, los coches inteligentes, la seguridad con las cámaras de videovigilancia y el reconocimiento de personas y un largo etcétera se están viendo enormemente beneficiados con esta nueva oleada tecnológica, hasta el punto en el que posiblemente muchos trabajos serán sustituidos por robots, más rápidos, precisos, y sin bajas maternales o movimientos sindicales, lo que probablemente genere más de una crisis social, como bien ilustra Yuval Noah Harari en su obra Homo Deus al referirse a la Useless Class, o esa clase trabajadora desplazada por esta nueva realidad robótica. Aun así, no todas las profesiones tienen la misma probabilidad de desaparecer, porque no todos los procesos laborales responden a los mismos patrones. El trabajo de reponedor en un almacén es fácilmente sustituible por un robot, como ya ocurre con algoritmos de Machine Learning con acceso a las bases de datos mundial de evidencias de cáncer. Hemos de admitir que hay cosas que los ordenadores hacen mucho mejor que nosotros y además mucho más rápido. Sin embargo, no todo es así.

Existen tareas, que por su creatividad, un ordenador está todavía muy lejos de poder desarrollar. Aunque la ciencia ficción lo ejemplifique de forma recurrente y con aparente sencillez, la realidad es que la robótica actual está lejos de igualar al cerebro. Fácilmente podrá hoy en día un ordenador componer una obra musical al estilo de Bach, basándose en sus otras obras: 

Sin embargo, la creatividad computacional en las artes, por ejemplo, es un tema de debate en el que se sale de las matemáticas y nos adentraríamos en la filosofía. En relación con esto, y puesto que el trabajo de la arqueología combina un delicado nivel de excavación para evitar la rotura de piezas y una continua toma de decisiones relativamente creativas, ¿podríamos decir que el trabajo del arqueólogo está libre de amenazas ante esta crisis laboral? ¿quedaría el arqueólogo fuera de esa referida Useless Class?

Aunque Yuval Noah Harari plantea que trabajos como el del arqueólogo no sufrirá tanto, quizás deberíamos analizar en profundidad las partes de dicho trabajo y ver el posible impacto del Machine Learning en cada una.

El arqueólogo de campo y la inteligencia artificial

No se entiende una excavación de campo sin un arqueólogo de forma presencial, al menos, por ahora. Si hemos podido dirigir un brazo robótico desde la Tierra para que un robot como el Perseverance Rover recoja muestras y haga pequeñas excavaciones, ¿qué impide que las excavaciones se realicen desde un despacho durante todo el año en la universidad mientras en el yacimiento sólo está el robot o un grupo de estos?. Si hemos visto como hace años un pequeño brazo robótico es capaz de coger un huevo o un globo de agua sin que se rompa, ¿qué impediría que el mismo o uno más sofisticado recogiera los fragmentos de vidrio u óseos encontrados en una excavación?. Si a esto le añadiésemos un sistema de control de la humedad, de la incidencia solar, del estado y tipo de suelo que se está excavando y a la vez se grabara y se realizaran las imágenes fotográficas y fotogramétricas adecuadas para la investigación e inventario, el trabajo del arqueólogo en campo no sería necesario, podría controlarlo todo desde la oficina, aunque eso sí, sería mucho menos romántico y el sombrero de Indiana Jones ya no tendría mucha utilidad bajo techo.

Pero todo lo comentado sería con un arqueólogo tras la pantalla, analizando, decidiendo, probablemente moviendo las distintas herramientas de las que dispondría el robot, pero desde otro lugar. Ahora bien, ¿podría llegar el momento en el que sea directamente el robot el que excave un yacimiento? Si Google ha sido capaz de identificar una canción a partir del tarareo de mis amigos, me cuesta imaginar que un proceso como la excavación no pueda ser desarrollado por un robot. Podría reconocer por termografía, mucho antes que nosotros, si ha cambiado la humedad del suelo o si ha aparecido un objeto, evitando la fatiga visual. Los colores no se perciben igual a primera hora que a última, la costumbre a ciertos tonos también influye y la luminosidad nos ayuda y nos complica su diferenciación. Todos estos aspectos serían despreciable para una cámara bien calibrada. 

Esto podría cambiar en gran medida la arqueología de urgencia, que actualmente está limitada a cubrir únicamente un pequeño porcentaje de la superficie del solar y que con esta nueva realidad podría llegar a cubrirla por completo en menor tiempo y quien sabe si con un menor coste. Y aquí viene algo muy destacable, a pesar de la ausencia del arqueólogo en campo, la información resultante podría ser mucho mayor y en consecuencia, la necesidad de más horas de trabajo por parte del arqueólogo, pero en el gabinete.

El arqueólogo de gabinete y la inteligencia artificial

Pero ¿las nuevas herramientas no se podrían utilizar en el gabinete para hacer la vida del investigador más sosegada?

Realmente el investigador de hoy en día casi de manera inconsciente se está beneficiando a la hora de documentarse de esta nueva oleada tecnológica. Sólo con utilizar Google estará haciendo uso de los algoritmos inteligentes que le ayudan al buscador a realizar la mejor selección. Pero además, si usa base de datos de documentos en donde buscar por referencias dentro del texto (como por ejemplo https://archive.org/), se estaría haciendo uso de las técnicas de identificación de textos, algo así como el OCR (Optical Character Recognition) que veníamos usando en algunos escáneres domésticos, pero de mayor calidad. 

Aún así, esto es sólo lo que probablemente usa ya la gran mayoría de investigadores, pero aún hay muchas posibilidades dentro de las herramientas a incorporar en el gabinete arqueológico.

Para empezar, tareas como fotografiar, y medir son más que fácilmente reproducibles por un robot. Podría asimilarse a una cinta de transporte en donde se fueran sucediendo los distintos trabajos de registro que irían asociados a la etiqueta (algo ya usado en muchos yacimientos con códigos de barra o códigos QR frente a la obsoleta escritura manual de la sigla, con los problemas que ello conllevaba de legibilidad). 

Hasta aquí, el arqueólogo podría tener un listado de todos los objetos encontrados identificados por un código, con sus mediciones y características básicas. Y a partir de aquí viene una de las partes más importantes, la identificación. Reconocer qué cerámica o fragmento óseo tenemos ante nosotros. Y si hoy en día una cámara de videovigilancia es capaz de reconocer un rostro en tiempo real utilizando una inmensa base de datos y con un error mínimo, que un sistema sea capaz de identificar con una gran precisión qué tipo de hueso es, de qué animal o qué tipología cerámica tiene será cuestión de tiempo, dinero y voluntad.

Tras esta identificación, el siguiente paso sería un estudio más detallado de características más específicas entrando ya en el mundo de la tafonomía para piezas óseas o de estudios y análisis químicos de pastas en cerámica, etc. Esto, de nuevo, podría verse ampliamente instrumentalizado por la inteligencia artificial, proporcionando escalas de color más precisas, mediciones más certeras, dejando al investigador la tarea más importante y en donde puede que la inteligencia no pueda ejercer un papel preponderante, la interpretación. El equipo de investigación debería aquí no ahondar en llevar a cabo todos los pasos manualmente sino estandarizarlos y controlarlos, pero sobre todo, centrarse en lo que aporta valor a la sociedad y al conocimiento histórico, la interpretación del pasado a partir de esta ingente cantidad de información que la tecnología puede ofrecer en estos tiempos.

Y finalmente la pregunta que todos esperamos: ¿y por qué todos estos avances no se han dado? ¿o para cuando se podrán dar? Respondiendo en primer lugar a la segunda pregunta habría que indicar que es difícil dar fechas, y más teniendo en cuenta que los ritmos de la arqueología son muy diferentes al resto de disciplinas. Con tan poca inversión, esta disciplina suele ir a la cola en tecnologías, incorporando aquellas que más le puedan interesar pero que originalmente han sido desarrolladas para otros entornos, como la arquitectura, la ingeniería o el mundo de los videojuegos. Con respecto a la primera pregunta aquí la respuesta es bastante sencilla y puede dividirse en dos grandes motivos: la escasa financiación para la arqueología y mucho menos para el desarrollo de programas informáticos y tecnologías que puedan desarrollar estos modelos de inteligencia artificial y en segundo lugar y quizás más importante, la escasa y reducida cantidad de bases de datos útiles para que la comunidad desarrolle modelos de reconocimiento. Existe mucho recelo a la hora de compartir públicamente un trabajo de recopilación digital de piezas escaneadas o fotografiadas y las pocas que hay o poseen una baja calidad o su número y diversidad es incompatible con ningún modelo de clasificación decente o útil a nivel de investigación. 

Hoy en día cualquiera podría trabajar en un modelo de clasificación de razas de perros a partir de la ingente cantidad de imágenes que circulan en internet, pero clasificar las cerámicas romanas, por ejemplo, se convierte en una obra titánica. 

Por suerte, poco a poco se va quedando atrás ese recelo y las redes empiezan a acumular más y más datos, que bien ordenados pueden hacer que leer una cerámica sea tan fácil como identificar una flor (como ya hacen aplicaciones como PlantNet). 

Bibliografía: 

• Leszek M. Pawlowicz, Christian E. Downum, Applications of deep learning to decorated ceramic typology and classification: A case study using Tusayan White Ware from Northeast Arizona, Journal of Archaeological Science, Volume 130, 2021, https://doi.org/10.1016/j.jas.2021.105375.
• https://g3a.es/inteligencia-artificial-y-arqueologia/