El Museo Josefina Ramos de Cox, ubicado en Lima, Perú, administra una extensa colección de piezas provenientes de diferentes culturas prehispánicas, principalmente de la costa central de ese país. En 2018 inició un proceso de digitalización de su colección arqueológica, para lo cual utilizaron un escáner 3D de escritorio, proceso que no obtuvo los resultados deseados, principalmente porque el equipo utilizado no era el apropiado para esta tarea.
A partir de esta experiencia, desde el museo contactaron al profesor del Departamento de Ciencias de la Computación de la FCFM, Iván Sipirán, y al profesor de la Universidad UTEC en Lima, Cristián López, en busca de asesoría sobre cómo abordar el problema. “Se nos ocurrió que se podía hacer las reparaciones haciendo uso de algoritmos de inteligencia artificial (IA). Después de un año de investigación, pudimos tener un modelo de inteligencia artificial que repara las piezas con buena precisión”, afirma Sipirán.
.jpg)
Este trabajo dio vida al artículo científico "Data-Driven Restoration of Digital Archaeological Pottery with Point Cloud Analysis", que el profesor Sipirán desarrolló junto con Cristián López, y con un grupo de estudiantes de la Universidad San Agustín en Arequipa, Perú. El artículo, que presenta todo este trabajo de investigación y los resultados obtenidos, fue recientemente publicado en el International Journal of Computer Vision, una de las revistas más prestigiosas en el área de visión computacional.
.jpg)
El desarrollo de este modelo desafió a los investigadores a entrenar de manera efectiva un modelo de inteligencia artificial que pudiera resolver un problema específico en un dominio acotado como es el arqueológico. Según explica el académico del DCC, “los modelos de IA necesitan de mucha data para poder aprender y en este caso la única información que teníamos eran los objetos defectuosos. Nosotros decidimos utilizar dos estrategias para lidiar con este problema. Primero, explorar si era posible enseñarle a la IA a transferir la estructura geométrica de objetos de otro dataset al problema arqueológico. Esto funcionó gracias a la existencia de datasets grandes de objetos 3D que tienen estructura similar a los objetos que teníamos en el museo. Por otro lado, ideamos una metodología de entrenamiento de la IA que evita que los modelos se sobreajusten y generalicen bien a cualquier objeto de entrada”, indica.
Si bien esta investigación buscaba resolver un problema específico, Sipirán cuenta que en su desarrollo debieron abordar también problemas no resueltos en el campo de datos 3D. “Decidimos también probar nuestro algoritmo en condiciones generales y compararlo con métodos del estado del arte en reparación de objetos 3D. Fue grato descubrir que nuestro método no solo resolvía el problema de reparación arqueológica, sino que nuestro modelo de IA era capaz de generalizar la tarea a cualquier otro tipo de objeto, y en el artículo publicado, presentamos estos resultados de comparación”, subraya.
