Olaf Kaper, hoogleraar Egyptologie aan de Universiteit Leiden, stelt dat hij hiërogliefen nog altijd sneller ontcijfert dan kunstmatige intelligentie. Hij deelt dat inzicht om verwachtingen over algoritmen te temperen. Het gaat om werk met beschadigde inscripties, wisselende tekensets en context die computers lastig vinden. Voor beleid en musea telt de combinatie Europese AI-verordening gevolgen overheid.
Mens blijft sneller dan AI
Kaper ziet dat AI-systemen moeite hebben met de variatie in Egyptische hiërogliefen. Een mens kan ontbrekende stukjes betekenis aanvullen met kennis van taal, tijd en rituelen. Dat vermogen tot context lezen ontbreekt nog bij veel modellen. Daardoor is de specialist in de praktijk vaak sneller en preciezer.
Hiërogliefen zijn beeldtekens met klanken en betekenissen die per periode en regio verschillen. Ook staan tekens vaak dicht op elkaar of in groepen, wat segmentatie lastig maakt voor software. Beschadigingen door tijd en klimaat vergroten de ruis. Zo stapelen fouten zich op als een model eerst verkeerde tekens herkent en daarna verkeerd vertaalt.
AI kan hier wel ondersteunen, maar niet vervangen. Het helpt bijvoorbeeld om patronen voor te selecteren of foto’s te ordenen. De eindcontrole blijft bij de onderzoeker. Dat maakt de workflow sneller, maar alleen als de menselijke expert de leiding houdt.
“Egyptische hiërogliefen ontcijfer ik sneller dan AI.” — Olaf Kaper, Universiteit Leiden
Tools missen context en nuance
Bekende toepassingen zoals Google Arts & Culture’s Fabricius herkennen eenvoudige tekens en bieden basisvertalingen. Deze systemen gebruiken beeldherkenning, een algoritme dat patronen in pixels leert. Maar ze missen culturele context en foutencontrole op zinsniveau. Daardoor komen teksten soms vloeiend over, maar zijn ze inhoudelijk niet juist.
De Hieroglyphics Initiative van Ubisoft verzamelde eerder beeldmateriaal om herkenning te verbeteren. Ook daar bleek dat variatie en beschadiging de nauwkeurigheid beperken. Zonder kennis van genre, locatie en periode kiest het model vaak het verkeerde teken. Een menselijke lezer weegt die factoren vanzelf mee.
Generatieve systemen zoals chatbots kunnen vertalingen “verzinnen” als data ontbreekt. Dit heet hallucineren: het model vult gaten op zonder bron. In erfgoedonderzoek is dat een risico, omdat een fout lang kan doorwerken in publicaties en museumteksten. Heldere waarschuwingen en bronverwijzingen zijn daarom nodig.
Kleine datasets remmen vooruitgang
AI heeft veel gelabelde voorbeelden nodig om te leren, en die ontbreken bij hiërogliefen. Foto’s verschillen in kwaliteit en licht, inscripties zijn onvolledig, en standaarden wisselen. Dat maakt een betrouwbare trainingsset duur en traag om te bouwen. Zonder brede, open datasets blijft de nauwkeurigheid steken.
Fabricius werkt met beperkte symbolenlijsten en specifieke stijlen. Dat helpt beginners, maar generaliseert slecht naar zeldzame tekens of regionale varianten. Ubisoft’s project liet zien dat samenwerking met musea nodig is om de variatie te dekken. Open data vanuit collecties kan hier het verschil maken.
Europa heeft ervaring met digitale archieven via platforms als Europeana. Succesvolle handschriftherkenning bij Latijnse teksten, bijvoorbeeld met Transkribus (READ-COOP), kwam pas na jaren van dataverzameling. Voor hiërogliefen staat die fase nog aan het begin. Investeren in gezamenlijke datasets is cruciaal voor elk volgend model.
Europese AI-verordening gevolgen overheid
De Europese AI-verordening (AI Act) treedt gefaseerd in werking vanaf 2025. Erfgoedtoepassingen vallen meestal in de laagste risicoklasse, maar transparantie is wel vereist. Leveranciers van generieke AI-modellen moeten documentatie en veiligheidsmaatregelen bieden. Publieke instellingen moeten gebruikers duidelijk maken dat AI is ingezet.
Wanneer musea of universiteiten bezoekers laten meeschrijven of annoteren, geldt ook de AVG. Dan zijn dataminimalisatie, versleuteling en duidelijke toestemmingsvragen verplicht. Voor onderzoek met alleen objectfoto’s is het privacyrisico laag, maar loggegevens en gebruikersprofielen tellen mee. Instellingen doen er goed aan om privacy by design te volgen.
Inkoop krijgt een nieuw gewicht onder de AI Act. Contracten moeten eisen opnemen over accuraatheid, hergebruik van data en foutafhandeling. Ook is een plan nodig voor menselijk toezicht en klachten. Dat verkleint reputatierisico’s als een model verkeerde vertalingen levert.
Toepassing in musea en onderwijs
AI kan waardevol zijn in rondleidingen en lessen, zolang grenzen helder zijn. Een systeem kan alternatieve lezingen geven en beelden uitlichten. Een expert legt daarna uit wat klopt en wat twijfelachtig is. Zo wordt het publiek betrokken zonder misleiding.
Voor onderzoekers helpt AI bij ordenen, zoeken en vergelijken van inscripties. Bijvoorbeeld het matchen van fragmenten of het vinden van zeldzame tekens. Dat bespaart tijd, terwijl interpretatie bij de specialist blijft. Dit sluit aan bij het principe “mens in de lus”.
Duidelijke labels en foutmarges horen bij elke publieksuiting met AI. Denk aan waarschuwingen bij experimentele vertalingen en links naar bronnen. Ook periodieke kwaliteitsmetingen zijn nodig, met openbare rapporten. Zo behouden instellingen vertrouwen en voldoen ze aan nieuwe regels.
Voorzichtig verbeteren met experts
Kaper’s boodschap is nuchter: gebruik AI als hulpmiddel, niet als eindautoriteit. Begin met concrete taken zoals beeldsegmentatie en tekenselectie. Laat interpretatie en vertaling bij vakmensen. Dat levert het beste van twee werelden op.
Stap voor stap verbeteren is realistischer dan snelle automatisering. Pilots met kleine corpora geven inzicht in fouten en bias. Daarna volgen bredere tests met diverse collecties. Zo groeit de nauwkeurigheid zonder overspannen verwachtingen.
Samenwerking tussen universiteiten, musea en techbedrijven is hierbij sleutel. Open standaarden voor data en annotaties versnellen leren over instellingen heen. Europese fondsen kunnen die samenwerking trekken. Met die basis wordt AI echt nuttig voor het lezen van hiërogliefen.
