Computers helpen al bij archeologie, maar het samen puzzelen van scherven blijft lastig. Modellen beloven snelheid, toch struikelen ze bij echte opgravingen vol slijtage en missende stukken. Europese labs testen nieuwe technieken, van 3D-scans tot robots. Voor nu is de mens vaak nog sneller en nauwkeuriger dan het algoritme.
Echte opgravingen zijn rommelig
Algoritmen leren vaak van perfecte voorbeelden. In het veld zijn scherven verweerd, gebroken en onvolledig. Een pot kan in tientallen kleine delen zijn versplinterd, met randen die niet meer strak passen. Dat maakt automatisch “refitten” veel moeilijker dan in het lab.
Een computer zoekt naar patronen in kleur, textuur en curve. Maar erosie en vuil vervormen die signalen. Ook ontbreken vaak meerdere cruciale stukken. Dan produceert het systeem veel schijnbare matches die bij nader inzien niet kloppen.
Mensen combineren visuele hints met kennis van materiaal en vindplek. Zij voelen de kromming, ruiken soms zelfs het baksel, en weten wat lokaal logisch is. Die mix van zintuig en context is nog moeilijk te vangen in code.
“Kunstmatige intelligentie is geen toverstok: zonder schone, rijke data blijft het systeem raden.”
AI mist context van de vindplaats
Archeologie draait om context. Laagdiepte, datering, coördinaten en vondstnummer geven betekenis aan elk fragment. Een beeldmodel dat alleen naar foto’s kijkt, ziet die context niet. Het maakt dan snelle, maar soms verkeerde sprongen.
Nieuwe aanpakken combineren daarom beeld, 3D-vorm en metadata. Denk aan 3D-scans van randen, chemische analyses van klei en het exacte vak in het vlak. Zo’n multimodale set vergroot de kans op een echte match.
Europese depots en musea hebben die data niet altijd gestandaardiseerd. Nederland kent bijvoorbeeld ARCHIS en verschillende provinciale depots met uiteenlopende registraties. Zonder één duidelijke standaard blijft koppelen en vergelijken lastig.
Europa test robotische re-assemblage
Onder EU-vlag lopen pilots die breuklijnen herkennen en stukken voorzichtig samenbrengen. Bekend zijn projecten die in Pompeï aan fresco’s en aardewerk werken met 3D-vision en robotarmen. De robot sorteert, het algoritme voorspelt, en de mens controleert. Die driehoek levert minder fouten op dan een model alleen.
Een eerdere Europese samenwerking koppelde 3D-modellen uit verschillende collecties. Doel: fragmenten terugvinden die ooit uit elkaar zijn geraakt. Zulke “virtuele herenigingen” laten zien hoe digitale techniek nieuwe verbanden ontdekt.
Nederlandse teams experimenteren intussen met LiDAR-gegevens uit het Actueel Hoogtebestand Nederland om oude akkers en grafheuvels te vinden. Daar werkt AI al goed als herkenner van patronen in het landschap. Maar bij het fijnere puzzelwerk aan tafel is mens-machine-samenwerking nog het meest effectief.
Datasets en rechten remmen vaart
Er is een gebrek aan open, gelabelde trainingsdata met echte slijtage en breukpatronen. Depots bezitten miljoenen objecten, maar niet elk stuk is 3D-gescand of uniform beschreven. Zonder schaalbare data blijft de sprong van demo naar praktijk klein. Dit is een klassiek “garbage in, garbage out”-probleem.
Ook spelen rechten en veiligheid mee. Locaties van kwetsbare vindplaatsen worden niet altijd openbaar gedeeld. De Europese AI-verordening plaatst cultureel-erfgoedtoepassingen doorgaans in een lage risicoklasse, maar eisen rond transparantie en data herkomst blijven gelden, op het moment van schrijven.
Musea en archeologische bureaus werken bovendien met verschillende contracten en standaarden. Dat maakt datadeling en gezamenlijke modellen ingewikkeld. Initiatieven als Europeana en nationale richtlijnen helpen, maar implementatie kost tijd en geld.
Praktische winst nu: voorwerk
Waar AI al loont, is het voorwerk. Modellen kunnen scherven sorteren op kleur en baksel, randen herkennen en duplicaten uit zeven. Ze kunnen ook veldnotities en etiketten automatisch transcriberen. Zo blijft er meer tijd over voor het echte determineren.
Beeldsegmentatie helpt om breukvlakken scherp vast te leggen. Daarna kan de archeoloog gericht testen of een match klopt. Het systeem fungeert dan als slimme assistent, niet als eindbeslisser. Dat is een werkbare tussenstap voor depots en veldteams.
Ook in Nederland past dit goed bij de praktijk van kleinere bureaus en gemeentelijke depots. Daar telt elke uur. Een assistent die snel sorteert en prioriteert, levert direct winst op zonder dure robots of grote verbouwingen.
Routekaart voor Nederland
Een doorbraak vraagt om stap-voor-stap investeren. Niet in één groot platform, maar in bruikbare tools op de werktafel. Begin met standaarden, dan data, dan modellen. Zo groeit de kwaliteit mee met de ambitie.
- Maak één minimale datastandaard voor 3D-scans, labels en metadata in depots.
- Start gezamenlijke trainingssets met echte, versleten scherven en duidelijke licenties.
- Koop lichtgewicht tools in: randherkenning, clustering en transcriptie, met auditlog.
Werk verder samen met Europese projecten voor kennisuitwisseling en tooling. Koppel waar mogelijk aan ARCHIS en bestaande museumdatabases. En test elke stap met veldarcheologen. Hun feedback blijft, op het moment van schrijven, de snelste reality check die we hebben.
