Достоверность историко-культурных источников, а значит и научная ценность, зависят от степени их изученности. При огромном количестве и разнообразии наскальных рисунков и связанных с ними культурных артефактов необходимо осуществить комплексную, многогранную классификацию, которая облегчит выявление смысловых и пространственно-временных аспектов петроглифов. Современные технологии Машинного обучения применимы и в сфере петроглифов. Их вклад является многообещающим в решении задач идентификации и классификации изображений. Машинное обучение как часть искусственного интеллекта автоматически позволяет машине или системе учиться и совершенствоваться на основе приобретенного опыта. Вместо явного программирования оно использует алгоритмы для принятия решений путем анализа больших объемов данных. По мере использования большего количества данных, прогнозы, которые делает модель, улучшаются, что в конечном итоге повышает их точность и надежность. Используя подход Контролируемого обучения, одного из основных типов Машинного обучения, модель обучается на наборе помеченных изображений, предоставленных исследователем. Контролируемое обучение включает в себя сопоставление исследователем каждого петроглифа с его содержанием, что позволяет обученной модели точно предсказывать содержание новых, ранее нерассмотренных изображений. Может применяться также неконтролируемое обучение, когда модель обучается на данных, которые не были помечены исследователем. Это будет способствовать решению ряда фундаментальных задач наскального искусства Армении, поскольку последнее в определенной степени отличается своей древностью, многожанровостью и имело прикладное значение. Разработанные для петроглифов методы машинного обучения могут быть применены и в других областях культурологии, улучшая распознавание образов, анализ и классификацию данных.

Ключевые словаАрмения археология база данных искусственный интеллект классификация Машинное обучение петроглиф наскальное изображение