"Restoring and attributing ancient texts using deep neural networks", Thea Sommerschield, Γιάννης Ασσαέλ, Μαρίτα Χατζηπαναγιώτου, Γιάννης Παυλόπουλος, 29/3, 17:15

Σειρά Διακεκριμένων Ομιλιών, Τμήμα Πληροφορικής, Οικονομικό Πανεπιστήμιο Αθηνών

Ημερομηνία: Τρίτη 29 Μαρτίου, 2022
Ώρα: 17:15-18:30 (EEST, UTC+3)
Τίτλος: "Restoring and attributing ancient texts using deep neural networks"
Ομιλητές: Thea Sommerschield, Γιάννης Ασσαέλ, Μαρίτα Χατζηπαναγιώτου, Γιάννης Παυλόπουλος
Σύνδεσμος MS Teams:

Την Τρίτη 29 Μαρτίου, η Thea Sommerschield, ο Γιάννης Ασσαέλ, η Μαρίτα Χατζηπαναγιώτου και ο Γιάννης Παυλόπουλος θα παρουσιάσουν τη δουλειά του άρθρου "Restoring and attributing ancient texts using deep neural networks", που δημοσιεύθηκε πρόσφατα στο Nature. Η Thea και ο Γιάννης Α. ήταν οι κύριοι ερευνητές αυτής της δουλειάς και θα παρουσιάσουν τους στόχους του έργου, την τεχνολογία που αναπτύχθηκε και τις εφαρμογές της στις ανθρωπιστικές επιστήμες. Η Μαρίτα και ο Γιάννης Π. θα συνοψίσουν τη συνεισφορά της ομάδας του ΟΠΑ. Η ομιλία θα δοθεί στα Αγγλικά και θα απευθύνεται κυρίως σε επιστήμονες πληροφορικής. Παρουσιάσεις προς ερευνητές των ανθρωπιστικών επιστημών θα ανακοινωθούν από τους ομιλητές τις προσεχείς εβδομάδες.

Έρευνα: Γιάννης Ασσαέλ, Thea Sommerschield, Brendan Shillingford, Mahyar Bordbar, Γιάννης Παυλόπουλος, Μαρίτα Χατζηπαναγιώτου, Ίων Ανδρουτσόπουλος, Jonathan Prag, Nando De Freitas.
Άρθρο: https://www.nature.com/articles/s41586-022-04448-z
Εξώφυλλο: https://www.nature.com/nature/volumes/603/issues/7900
Βίντεο: https://youtu.be/rq0Ex_qCKeQ
Blog: https://deepmind.com/blog/article/Predicting-the-past-with-Ithaca
Ithaca online: https://ithaca.deepmind.com/

Περίληψη του άρθρου:
Ancient history relies on disciplines such as epigraphy —the study of inscribed texts known as inscriptions— for evidence of the thought, language, society and history of past civilizations. However, over the centuries, many inscriptions have been damaged to the point of illegibility, transported far from their original location and their date of writing is steeped in uncertainty. Here we present Ithaca, a deep neural network for the textual restoration, geographical attribution and chronological attribution of ancient Greek inscriptions. Ithaca is designed to assist and expand the historian's workflow. The architecture of Ithaca focuses on collaboration, decision support and interpretability. While Ithaca alone achieves 62% accuracy when restoring damaged texts, the use of Ithaca by historians improved their accuracy from 25% to 72%, confirming the synergistic effect of this research tool. Ithaca can attribute inscriptions to their original location with an accuracy of 71% and can date them to less than 30 years of their ground-truth ranges, redating key texts of Classical Athens and contributing to topical debates in ancient history. This research shows how models such as Ithaca can unlock the cooperative potential between artificial intelligence and historians, transformationally impacting the way that we study and write about one of the most important periods in human history.

Σύντομα βιογραφικά των ομιλητών:

Η Thea Sommerschield είναι Marie Curie Fellow στο Πανεπιστήμιο Ca' Foscari της Βενετίας και Fellow in Hellenic Studies στο Κέντρο Ελληνικών Σπουδών του Harvard. Στην έρευνά της η Thea χρησιμοποιεί μηχανική μάθηση για να μελετήσει τον γραπτό πολιτισμό του αρχαίου κόσμου.

Ο Γιάννης Ασσαέλ είναι Staff Research Scientist στην Google DeepMind, στον κλάδο της Τεχνητής Νοημοσύνης. Έχει διακριθεί στους "30 Under 30" εξέχοντες επιστήμονες της Ευρώπης από το περιοδικό Forbes.

Η Μαρίτα Χατζηπαναγώτου αποφοίτησε πρόσφατα από το Πρόγραμμα Μεταπτυχιακών Σπουδών "Ψηφιακές Μέθοδοι για τις Ανθρωπιστικές Επιστήμες" του ΟΠΑ. Η συνεισφορά της Μαρίτας στο άρθρο βασίστηκε σε μεγάλο βαθμό στην μεταπτυχιακή διπλωματική της εργασία.

Ο Γιάννης Παυλόπουλος είναι επισκέπτης ερευνητής (visiting scholar) στο Πανεπιστήμιο Ca' Foscari της Βενετίας και ερευνητής στο Οικονομικό Πανεπιστήμιο Αθηνών και το Πανεπιστήμιο της Στοκχόλμης. Τα ερευνητικά του ενδιαφέροντα συμπεριλαμβάνουν τη μηχανική μάθηση, ιδιαίτερα τη βαθιά μάθηση, στην επεξεργασία φυσικής γλώσσας και την επιστήμη των δεδομένων.

Αυτή η ομιλία συν-διοργανώνεται από (α) την Ομάδα Επεξεργασίας Φυσικής Γλώσσας (http://nlp.cs.aueb.gr/), Τμήμα Πληροφορικής, ΟΠΑ, (β) το Πρόγραμμα Μεταπτυχιακών Σπουδών "Ψηφιακές Μέθοδοι για τις Ανθρωπιστικές Επιστήμες" του ΟΠΑ (https://www.dept.aueb.gr/el/dmh), (γ) την ομάδα MADGIK (https://www.madgik.di.uoa.gr/), Τμήμα Πληροφορικής και Τηλεπικοινωνιών, ΕΚΠΑ, (δ) τη Μονάδα Ψηφιακής Επιμέλειας - ΙΠΣΥ / Ερευνητικό Κέντρο "Αθηνά"  (http://www.dcu.gr/) και (ε) το Εργαστήριο Τεχνητής Νοημοσύνης SKEL (https://www.skel.ai/), Ινστιτούτο Πληροφορικής και Τηλεπικοινωνιών, ΕΚΕΦΕ "Δημόκριτος".


Τελευταία ενημέρωση: 23-03-2022