IA-MAHA – Intelligence Artificielle Et Mathematiques Appliquees A L’histoire Et L’archeologie 

Malgré la diversité des spécialités en Histoire et Archéologie, la donnée historico-archéologique présente des caractéristiques communes, mentionnées plus haut et qui demandent le développement de méthodes d’apprentissage (automatique ou statistique) et plus en général d’une modélisation mathématique entièrement dédiées. Ces caractéristiques incluent :

1. Hétérogénéité : images (peintes, microscopiques, tomographiques), textes, données catégorielles et numériques.

2. Rareté : les bases de données sont souvent de petite taille, de grand dimension et avec beaucoup de valeurs manquantes.

3. Spécificité : les problèmes de classification, d’analyse et de reconstruction des données demandent à présent des connaissances très spécifiques du domaine.

Ces propriétés mettent hors-jeu de nombreux outils d’apprentissage automatique existants. Par exemple, dans le contexte de l’identification d’espèce de bois (axe 2), le fait qu’à partir d’un jeu d’images microscopiques, un réseau de neurones artificiels puisse apprendre des descripteurs plus discriminants que ceux « artisanaux » (handcraft) utilisés par les anthracologues est en soit questionnable. Il devient donc essentiel d’exploiter toute régularité géométrique offerte par le domaine dans lequel la donnée vit, souvent pas Euclidien. En ce sens la modélisation par graphes (possiblement aléatoires) sera un fil conducteur de cet axe. L’avantage est double : d’un côté, à travers le plus court chemin entre deux noeuds on pourra approximer des distances géodésiques sur une variété, définie soit par le jeu de données lui-même (par exemple un nuage de points issue d’un modèle 3D d’un os d’animal) soit par l’ensemble des transformations que l’on applique aux données ; d’un autre coté les graphes sont des objets suffisamment flexibles pour tenir compte de l’hétérogénéité mentionnée ci-dessus. À titre d’ exemple un réseau de sites archéologiques peut-être modélisé par un graphe au sein duquel les sites archéologiques sont les noeuds, les coordonnées géographiques les attributs des noeuds et un arc qui connecte deux sites peut être pesé par une ou plusieurs images d’artefacts. Ensuite, la rareté et la présence de valeurs manquantes seront principalement abordées par modèles aléatoires (profond) à variables latentes dont l’utilité peut être soit de réduire la dimension des données, de sorte à améliorer l’interprétation et l’analyse, dans un contexte supervisé ou pas, soit de faire de l’imputation de valeurs manquantes. La modélisation aléatoire, par processus stochastiques permettra aussi de formuler des hypothèses sur le processus sous-jacent (pas observé) qui a engendré les données et sur son évolution dans le temps.

L’analyse des cultures matérielles en termes de pratiques techniques et sociales constitue un des fondements de la caractérisation des sociétés du passé. L’identification de pratiques se fonde sur l’analyse de rares situations ethnographiques, mais surtout sur l’expérimentation, car la plupart de ces pratiques ont aujourd’hui totalement disparu. Le développement des méthodes d’imagerie tridimensionnelle ouvre depuis quelques années des perspectives formidables pour un changement de régime de la preuve dans le domaine de la caractérisation des matériaux, des procédés de mise en forme et des mécanismes d’usure, à la base de la caractérisation des systèmes techniques eux-mêmes. Ces méthodes produisent des jeux de données complexes, dont le traitement nécessite le développement d’algorithmes d’IA (apprentissage automatique et statistique, en particulier) dédiés à l’analyse, la classification, la détection de formes/objets et d’organisations spatiales d’images 2D ou 3D.. Dans le cadre de cet axe, les recherches porteront sur les traditions céramiques et les techniques de production des outillages de pierre taillée.

Action 1—Tracer la diffusion des premières économies agropastorales méditerranéennes par les traditions techniques de la céramique

Action 2—Modélisations des usures des outils en roches dures : caractérisation dynamique, micro-topographique et texturale des surfaces.

L’enjeu de cet axe réside dans un questionnement commun sur les interactions entre changements sociétaux, mobilité des populations, et adaptations aux changements environnementaux et climatiques, sur la longue durée, nécessitant d’articuler des archives environnementales et culturelles, par nature hétérogènes et présentant des résolutions spatiales et chronologiques variées. L’objectif de cet axe est de 1) améliorer nos capacités à décrire les ressources exploitées, les paléoenvironnements et les paléoclimats par une lecture optimisée des archives sédimentaires et biologiques, avec pour objectif à plus long terme de 2) modéliser les changements environnementaux à partir de jeux de données diachroniques multiproxies, et 3) modéliser les interactions entre changements environnementaux et dynamiques de peuplement. L’enjeu sera ici de passer de l’identification qualitative ou morphométrique de morphotypes (restes fauniques, botaniques, amorphes) et d’archives sédimentaires, à l’automatisation, à partir de reconnaissance de formes anatomiques et de spectres chimiques.

Action 1—. Création d’un outil d’aide à l’identification des archives botaniques et faunique, basé sur des techniques d’analyse discriminante et d’apprentissage profond

Action 2— Création d’un outil de lecture des archives sédimentaires (micromorphologie)

Action 3— Exploitation de jeux de données paléoenvironnementales, hétérogènes et lacunaires, sous contrainte temporelle

Action 4—Modélisation dynamique des interactions sociétés/milieux et des systèmes de peuplement gallo-romains.

On assiste aujourd’hui à un véritable engouement pour l’invisible dans les oeuvres d’art, que des techniques comme la radiographie ou la réflectographie infrarouge permettent de révéler se cache sous la surface des peintures des grands artistes, comme les dessins préparatoires ou les repentirs. En s’appuyant sur les réflexions actuelles relatives à l’épistémologie de la trace et en tirant profit de programmes de recherche interdisciplinaires dans le domaine des sciences du patrimoine, il s’agirait d’explorer les contextes d’exécution et de transformation des objets figurés, en s’interrogeant notamment sur les intentions de ceux qui y ont laissé des traces (repeints, destructions) soit à partir des informations disponibles soit à travers l’utilisation des techniques d’acquisition spécifiques (UV, rayons X…).

A partir des photographies réalisées en dehors du spectre visible, l’inpainting permet de retrouver une image recouverte par la suppression d’ajout(s) par exemple. La reconnaissance de caractères à partir du machine learning est une autre possibilité de l’IA. Cet outil peut nous permettre une lecture automatisée des inscriptions épigraphiques documentées dans une photographie d’une peinture murale ; outil qui pourrait potentiellement être associé à un processus d’inpainting. De plus, la reconnaissance de forme peut assister l’historien pour l’identification et l’attribution d’une inscription à la main d’un copiste.

Action 1—Création d’un outil collaboratif (software avec interface graphique) pour la reconstitution et modélisation des destructions volontaires et des usures non volontaires des figures et des textes dans les miniatures du Moyen Âge.

Action 2—Développement des modèles pour la reconnaissance automatique des formes des lettres (ou imitant des lettres) et de leur support (livre, banderole, cartouches, phylactères…) dans les peintures murales des chapelles peintes à la fin du Moyen Âge.

Action 3—Reconstitution et modélisation des lacunes dans les peintures murales et de la stratigraphie des couches peintes (dans le cas d’oeuvres qui ont été transformées au fil des siècles). Étude de faisabilité.

Cet axe vise à combiner expertise historico-philologique et compétences en mathématiques et informatique (apprentissage automatique, traitement automatique de la langue, web sémantique, vision par ordinateur et reconstruction du signal) pour la lecture, la transcription et l’analyse des manuscrits (datation, identification du lieu de production, voire de la main) de manuscrits grecs, latins et médiévaux. L’objectif est de préparer la voie à un transfert de compétences et une automatisation supervisée de l’analyse paléographique.

Action 1—Reconnaissance de textes manuscrits anciens grecs et latins

Action 2—Annotation sémantique semi-automatisée d’un corpus scientifique antique (grec & latin)