Інтелектуальні системи підтримки прийняття рішень для ідентифікації культурних цінностей: сучасні підходи та перспективи розвитку

Анотація

У статті досліджено сучасні підходи до побудови інтелектуальних систем підтримки прийняття рішень (ІСППР), призначених для автоматизованої ідентифікації та класифікації об’єктів культурної спадщини. Актуальність дослідження зумовлена активною цифровізацією культурних цінностей, постійним збільшенням обсягів цифрових зображень, текстових описів і метаданих, а також необхідністю підвищення точності, адаптивності та пояснюваності результатів автоматизованого аналізу. На основі аналізу попередніх досліджень авторів і сучасних наукових праць узагальнено еволюцію методів і технологій, що застосовуються для розпізнавання та семантичного аналізу культурних об’єктів.

Розглянуто обмеження раніше запропонованих підходів, зокрема використання k-NN і ручних дескрипторів, CNN у поєднанні з Knowledge Graph, а також статичних методів векторного представлення графів. Визначено проблеми низької масштабованості, недостатньої адаптивності до неструктурованих і неповних даних, обмеженої мультимодальності та складності врахування різних типів семантичних зв’язків. Обґрунтовано доцільність переходу до сучасних графових нейронних мереж, зокрема Graph Attention Network (GAT) та Relational Graph Convolutional Network (R-GCN), здатних враховувати ваги й типи зв’язків, агрегувати контекстну інформацію та працювати з гетерогенними й неповними графами знань.

Запропоновано вдосконалену мультимодальну архітектуру ІСППР, яка інтегрує візуальні, текстові та графові дані. Для аналізу зображень передбачається використання Vision Transformer, для текстової інформації – BERT-подібної мовної моделі, а для семантичного представлення Knowledge Graph – GNN. Інтеграція отриманих представлень здійснюється у спільному embedding-просторі, що створює можливості для крос-модального аналізу, semantic search, zero-shot і few-shot класифікації. Додатково запропоновано використання contrastive, triplet та classification loss, self-supervised learning, а також механізмів Explainable AI для підвищення прозорості й інтерпретованості рішень системи.

Практична значущість запропонованого підходу полягає у створенні передумов для розроблення більш точних, стійких, адаптивних та інтерпретованих засобів ідентифікації культурних цінностей, які можуть застосовуватися у музейній експертизі, атрибуції авторства, визначенні стилю та історичного періоду, а також у цифрових інформаційних системах культурної спадщини. Перспективними напрямами подальших досліджень визначено використання великих мовних моделей для аналізу provenance, автоматичне поповнення графів знань, інтеграцію з цифровими музеями та державними й міжнародними базами даних, а також застосування federated learning.