Como a IA está ajudando os historiadores a entender melhor nosso passado

Sep 06, 2023

Os historiadores de amanhã estão usando a ciência da computação para analisar como as pessoas viviam séculos atrás.

É uma noite de 1531, na cidade de Veneza. Na oficina de uma gráfica, um aprendiz trabalha no layout de uma página destinada a um livro de astronomia - uma linha densa de tipografia e uma ilustração em xilogravura de uma cabeça de querubim observando formas se movendo pelo cosmos, representando um eclipse lunar.

Como todos os aspectos da produção de livros no século 16, é um processo demorado, mas que permite que o conhecimento se espalhe com uma velocidade sem precedentes.

Quinhentos anos depois, a produção de informação é uma fera totalmente diferente: terabytes de imagens, vídeos e textos em torrentes de dados digitais que circulam quase instantaneamente e precisam ser analisados ​​quase com a mesma rapidez, permitindo – e exigindo – o treinamento da máquina. -learning modelos para classificar através do fluxo. Essa mudança na produção de informações tem implicações para o futuro de tudo, desde a criação de arte até o desenvolvimento de medicamentos.

Mas esses avanços também estão possibilitando olhar de forma diferente para os dados do passado. Os historiadores começaram a usar o aprendizado de máquina – redes neurais profundas em particular – para examinar documentos históricos, incluindo tabelas astronômicas como as produzidas em Veneza e outras cidades modernas, manchadas por séculos passados ​​em arquivos mofados ou distorcidas pelo deslize da mão de uma impressora.

Os historiadores dizem que a aplicação da ciência da computação moderna ao passado distante ajuda a traçar conexões em uma faixa mais ampla do registro histórico do que seria possível de outra forma, corrigindo as distorções que vêm da análise da história, um documento de cada vez. Mas introduz distorções próprias, incluindo o risco de que o aprendizado de máquina introduza preconceitos ou falsificações diretas no registro histórico. Tudo isso se soma a uma pergunta para os historiadores e outros que, muitas vezes argumentam, entendem o presente examinando a história: com as máquinas definidas para desempenhar um papel maior no futuro, quanto devemos ceder a elas no passado?

Big data chegou às humanidades por meio de iniciativas para digitalizar um número crescente de documentos históricos, como a coleção de milhões de páginas de jornais da Biblioteca do Congresso e os registros judiciais dos Arquivos finlandeses que datam do século XIX. Para os pesquisadores, isso é ao mesmo tempo um problema e uma oportunidade: há muito mais informações e muitas vezes não existe uma maneira de analisá-las.

A automação de IA em todo o pipeline de desenvolvimento de medicamentos está abrindo a possibilidade de produtos farmacêuticos mais rápidos e baratos.

Esse desafio foi enfrentado com o desenvolvimento de ferramentas computacionais que ajudam os estudiosos a analisar a complexidade. Em 2009, Johannes Preiser-Kapeller, professor da Academia Austríaca de Ciências, estava examinando um registro de decisões da Igreja Bizantina do século XIV. Percebendo que entender centenas de documentos exigiria uma pesquisa digital sistemática das relações dos bispos, Preiser-Kapeller construiu um banco de dados de indivíduos e usou um software de análise de rede para reconstruir suas conexões.

Essa reconstrução revelou padrões ocultos de influência, levando Preiser-Kapeller a argumentar que os bispos que mais falaram nas reuniões não eram os mais influentes; desde então, ele aplicou a técnica a outras redes, incluindo a elite bizantina do século 14, descobrindo maneiras pelas quais seu tecido social era sustentado por meio das contribuições ocultas das mulheres. “Conseguimos identificar, de certa forma, o que estava acontecendo fora da narrativa oficial”, diz.

O trabalho de Preiser-Kapeller é apenas um exemplo dessa tendência nos estudos. Mas, até recentemente, o aprendizado de máquina muitas vezes não conseguia tirar conclusões de coleções cada vez maiores de texto – até porque certos aspectos de documentos históricos (no caso de Preiser-Kapeller, grego mal manuscrito) os tornavam indecifráveis ​​para as máquinas. Agora, os avanços no aprendizado profundo começaram a lidar com essas limitações, usando redes que imitam o cérebro humano para identificar padrões em conjuntos de dados grandes e complicados.