149
Revista de Humanidades, Ciencias Sociales y Artes
Resumen
Se presenta una visión panorámica de aplicacio-
nes de la Inteligencia Articial en el sector de
patrimonio cultural, organizadas en tres líneas:
(1) la documentación digital y la conservación
del patrimonio escultórico y arquitectónico; (2)
la gestión, la difusión y el estudio de coleccio-
nes digitales a partir del enriquecimiento de sus
metadatos y la interacción con las comunidades
interesadas en ellas; y (3) los enfoques de inves
-
tigación interdisciplinar que aprovechan herra-
mientas de aprendizaje automático para realizar
lecturas macroscópicas de grandes conjuntos de
obras artísticas, extendiendo las metodologías
de los estudios de la imagen. Se retoman claves
desde las Humanidades Digitales para sugerir
rutas de acción que permitan a las instituciones
culturales enfrentar los desafíos que supone el
horizonte de posibilidades descrito.
Palabras clave: inteligencia articial, aprendi-
zaje automático, humanidades digitales, patri-
monio cultural, patrimonio digital
Abstract
A panoramic vision of Articial Intelligence
applications in the cultural heritage sector is
presented. These are organized in three groups:
(1) digital documentation and conservation of
sculptural and architectural heritage; (2) ma-
nagement, dissemination and study of digital
collections based on the enrichment of their
metadata and the interaction with the communi-
ties interested in them; and (3) interdisciplinary
research approaches that use machine learning
tools to perform macroscopic readings of large
sets of artistic works, extending the methodo-
logies of image studies. This approach uses the
Digital Humanities as a starting point to propose
routes to face the challenges experienced by
cultural institutions in the horizon of possibi-
lities described.
Key words: artificial intelligence, machine
learning, digital humanities, cultural heritage,
digital heritage
Luis Miguel García Velázquez
Escuela Nacional de Estudios Superiores, Unidad Morelia
Universidad Nacional Autónoma de México
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
150
Luis Miguel García Velázquez
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
El crecimiento acelerado de las colecciones
digitales en el sector del patrimonio cultural
ha impulsado el desarrollo tecnológico para
automatizar diversos procesos asociados con su
organización, preservación, estudio y difusión.
Si bien no todos los enfoques computaciona-
les aplicados en estas áreas utilizan técnicas
de Inteligencia Articial (IA), este campo de
conocimiento ofrece un amplio horizonte de
posibilidades para enfrentar problemáticas
críticas y expandir los modos tradicionales de
acción sobre los objetos digitales, insertos en
un escenario de constante cambio tecnológico.
Algunas tareas especícas relacionadas
con el sector de patrimonio cultural, que han
tenido avances signicativos desde la IA, son:
la visualización y la gestión de colecciones en
plataformas digitales, el robustecimiento de los
mecanismos de búsqueda que faciliten el des-
cubrimiento de piezas de información relevan-
tes para los intereses de la comunidad usuaria
y de investigación, la adición de servicios de
usabilidad -como la traducción automática-, el
análisis de audiencias, la extracción de conoci-
miento a partir de representaciones de objetos de
patrimonio cultural y el enriquecimiento de las
colecciones con la adición de metadatos de ca-
lidad. Estos desarrollos organizan la interacción
entre personas y computadoras para automatizar
procesos que manipulan grandes volúmenes de
información y que consumirían considerables
cantidades de tiempo al realizarse de forma ma-
nual; sin embargo, al hacerlo también proponen
nuevas formas de relación entre los públicos y
las colecciones, al tiempo que reconguran los
modos de producción del conocimiento.
La mayoría de los algoritmos desarrollados
para atender los rubros antes descritos pertene-
cen al subcampo de la IA denominado Aprendi-
zaje Automático (AA), que agrupa un conjunto
de técnicas para incrementar la funcionalidad de
un método computacional frente a una tarea es-
pecíca mediante un periodo de entrenamiento,
es decir, a través de un procesamiento iterativo
de datos que permite incrementar su ecacia.
Cuando este ejercicio involucra el análisis de
ejemplos previamente etiquetados se denomina
aprendizaje supervisado; en esta vertiente, el
desarrollo del algoritmo medirá su efectividad
en función de la correcta asignación de etiquetas
a ejemplos que no había procesado antes. En
contraste, el aprendizaje no supervisado analiza
las características de interés en un conjunto de
datos sin etiquetar e interpreta su distribución
utilizando reglas matemáticas, esto con la in-
tención de identicar regularidades y cuanti-
car similitudes que faciliten una clasicación
pertinente para cada escenario de interés.
Las Humanidades Digitales (HD) ofrecen
una plataforma para la reexión crítica sobre los
vínculos, las posibilidades y las limitaciones al
diseñar e implementar una investigación inter-
disciplinar que integre a las ciencias computa-
cionales y a las humanidades. Esta mirada pro-
pone que los desarrollos tecnológicos sucedan
dentro de ciclos de constante retroalimentación
entre las personas y los algoritmos, que ilumi-
nen rutas hacia una transformación progresiva
de las prácticas, las preguntas y los estándares
de investigación y ejercicio profesional. En el
presente texto haremos un recorrido por tres
secciones que nos permitirán visibilizar la in-
tegración de la IA dentro de las ciencias del
patrimonio, desde la perspectiva de las HD;
esta vista panorámica nos dará elementos para
sugerir pautas de acción frente al desafío de
sostener los avances hacia el horizonte de apli-
caciones potenciales de la IA en el sector de
patrimonio cultural.
Cómo citar este artículo: Luis Miguel García Velázquez, “Inteligencia Articial y patrimonio cultural:
una aproximación desde las Humanidades Digitales”, en Dicere, núm. 4 (julio-diciembre 2023), pp.180-191.
Recibido: 3 de marzo de 2023 • Aprobado: 23 de marzo de 2023
151
Inteligencia Articial y patrimonio cultural
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
En el primero de estos apartados revisa-
remos avances en materia de documentación
digital de objetos tridimensionales y patrimonio
arquitectónico, que proponen aprovechar las
cara cterísticas de interactividad y dinamismo
de este soporte para ampliar el potencial de la
conservación como un proceso adaptativo.
La segunda sección abordará usos de la IA para
adicionar capas de información a los objetos de
una colección digital, que permitan ampliar la
legibilidad en un documento y propiciar que la
comunidad usuaria descubra información de su
interés, al tiempo que habilitan a la comunidad de
investigación especializada para identicar piezas
individuales insertas en grandes volúmenes do-
cumentales y generar conocimiento sobre ellas.
En el tercer apartado revisaremos las posi-
bilidades que ofrece una mirada macroscópica
para proponer nuevas rutas de exploración teó-
rica a partir de grandes colecciones digitales de
objetos de patrimonio cultural, que renueven las
prácticas de construcción de conocimiento sin
desatender las preguntas de interés propuestas
desde las humanidades. Además, exploraremos
las formas en que la aplicación de herramientas
de IA puede transformar el análisis de colec-
ciones digitales a través de un ciclo virtuoso
de interacción entre las personas expertas y las
metodologías computacionales.
Múltiples dimensiones: documentación y
conservación como procesos abiertos
La documentación digital de objetos escultó-
ricos y de patrimonio arquitectónico permite
generar modelos tridimensionales que apoyan
la generación de estrategias de preservación y
el monitoreo de acciones de conservación; ade-
más, complementa el desarrollo de plataformas
digitales que reciben visitantes virtuales desde
localizaciones geográcas apartadas, brindando
la oportunidad de conocer edicios y coleccio-
nes visuales a las que les sería difícil acceder
de forma presencial.
Esta labor articula distintos desarrollos
computacionales: el escaneo digital, la foto-
grametría, la extracción automática de líneas,
la superposición digital y el modelado compu-
tacional para integrar altos volúmenes de da-
tos geométricos, cromáticos y térmicos, entre
otros, capturados con dispositivos tecnológicos
especializados. Esta información se organiza
en capas y se enriquece con los datos estruc-
turales disponibles, quizá procedentes de do-
cumentación histórica, para generar objetos y
espacios digitales que pueden visualizarse y
ser manipulados de forma intuitiva en modos
similares a los que empleamos al interactuar
con su materialidad.
La creación de modelos supone la extrac-
ción de datos relevantes a partir de imágenes
planas y nubes de puntos en tres dimensiones
que deben ensamblarse en un mismo objeto.
Estos registros, realizados en un tiempo espe-
cíco, pueden usarse para dar cuenta del estado
de un bien patrimonial y los cambios que se
operen en él, proporcionando información útil
para su mantenimiento y conservación. Una ruta
de acción similar ha trazado el proyecto Skei-
ron
1
que ha digitalizado más de un centenar de
edicios históricos en cuatro países diferentes.
Este grupo lidera actualmente la iniciativa para
realizar reproducciones 3D del patrimonio arqui-
tectónico ucraniano con la intención de docu-
mentarlo y, en los casos donde sea necesario,
apoyar los procesos de restauración al cese del
actual conicto armado.
Un enfoque distinto al descrito anterior-
mente es la utilización de redes neuronales
2
para
generar representaciones tridimensionales de
construcciones a partir de múltiples fotografías
registradas con distintas condiciones de luz,
tomadas desde posiciones que no se distribuyen
de manera uniforme, en las que quizá también se
aplicaron ltros o donde aparecen otros objetos
o personas. La reconstrucción computacional de
modelos 3D permite auxiliar particularmente en
los casos donde es necesario integrar aspectos
152
Luis Miguel García Velázquez
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
arquitectónicos desde perspectivas donde es im-
posible tomar una fotografía apropiada porque,
por ejemplo, estorba otro edicio. Algunos usos
experimentales han permitido recrear escenas
completas en monumentos y edicaciones que,
en lugar de escanearse, fueron reconstruidos a
partir de la interpolación de múltiples imáge-
nes que visitantes publicaron en redes sociales,
como es el caso de la Puerta de Brandemburgo
en Berlín y la Fuente de Trevi en Roma.
3
Dado el alto volumen de información que se
genera durante la fase de captura al documen-
tar digitalmente el patrimonio arquitectónico
o construir una base de datos con información
disponible en la red, se ha popularizado el uso
de técnicas de Aprendizaje Profundo
4
(AP) para
clasicar las numerosas imágenes obtenidas en
un tiempo realizable y con un menor margen
de error. Con este paso adicional, también es
posible agregar información semántica a los
modelos, así como detectar la probable pre
-
sencia de daños o patologías presentes en las
edicaciones, sin tener que revisar manualmente
una gran cantidad de imágenes.
Aunque la detección de objetos ha sido am-
pliamente desarrollada por las ciencias compu-
tacionales, en el caso particular del patrimonio
arquitectónico es necesario realizar investiga-
ciones especícas con bancos de fotografías
como Architectural Heritage Elements (AHE),
5
que retoman algoritmos entrenados con bancos
de imágenes de otra índole y que son suscep-
tibles de especializarse utilizando métodos de
aprendizaje de transferencia,
6
hasta conseguir una
alta funcionalidad en la detección de elementos
de interés arquitectónico que aparecen repetidos
en edicaciones dispersas en el mundo.
7
La simulación computacional ha cobrado
fuerza como una estrategia de conservación
preventiva de objetos artísticos y construccio-
nes, al analizar la relación entre las variables
que inciden en su deterioro, las acciones posi-
bles para controlarlas dentro de una instalación
o geografía especíca y el análisis de riesgos
asociados con distintos escenarios. Con ello es
posible estudiar, por ejemplo, las uctuacio-
nes de humedad y temperatura en un edicio
histórico público a lo largo del año, para su-
gerir acciones de acondicionamiento y planes
sustentables de regulación que eviten daños en
objetos artísticos. Esto cobra mayor importancia
en relación con el cambio climático, dado que
es posible transferir información proveniente de
los modelos matemáticos que lo estudian para
simular el comportamiento de las condiciones
al interior de una construcción arquitectónica
particular; todo esto con el objetivo de prospec-
tar estrategias que protejan la materialidad de
las colecciones que ahí se alojan.
8
Si bien el AA es de utilidad para renar los
modelos de simulación antes mencionados, la
inteligencia computacional
9
también ha per-
mitido desarrollar herramientas de análisis en
escenarios múltiples que, para dar seguimiento a
las variables de riesgo, incorporan información
derivada de los procesos de intervención realiza-
dos en un periodo especíco, como puede ser la
remodelación parcial de un edicio. Con dicha
estrategia se enfatiza que la conservación y la
restauración son procesos dinámicos y adapta-
tivos que modican las condiciones de funcio-
nalidad y vulnerabilidad de las construcciones,
dando pie al desarrollo de modelos computa-
cionales que organicen el registro a lo largo de
los años, evalúen la ecacia de las acciones de
restauración, determinen los diversos factores
problemáticos y propongan periódicamente una
priorización de ellos, para su atención.
El proceso descrito anteriormente se llevó a
cabo con la iglesia de Santa Catalina en Sevilla,
España, donde un análisis computacional per-
mitió focalizar la atención hacia el monitoreo
de algunos cambios estructurales introducidos
durante las restauraciones, al tiempo que resaltó
que el estrés térmico y la erosión por lluvia
son factores de riesgo que no han disminuido
a pesar de las acciones emprendidas entre 2012
y 2020.
10
Los resultados del análisis realizado
153
Inteligencia Articial y patrimonio cultural
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
fueron propuestos para su incorporación en el
plan de preservación preventiva del edicio.
Lecturas con sentido: descripción, organi-
zación y búsqueda en colecciones digitales
La digitalización es una estrategia activa para
la preservación y la difusión de las colecciones
en el sector de patrimonio cultural, que tam-
bién puede promover la formación de nuevos
públicos y atraer el interés de la comunidad
académica y cientíca a través de la generación
de metadatos de calidad. La digitalización de
documentos de texto, por ejemplo, se comple-
menta con sistemas de reconocimiento óptico
que producen una transcripción a partir de los
caracteres presentes en las imágenes.
Las herramientas automatizadas de trans-
cripción pueden combinarse con la aplicación
de otros métodos de inteligencia articial para
la traducción automática, que permitan difundir
el contenido de los textos en idiomas distintos a
su escritura original. Al extender los metadatos
de un objeto digital de esta forma se aumenta
su probabilidad de aparición en búsquedas pro-
puestas por público interesado, así como tam-
bién se potencian sus posibilidades de estudio,
complementando el procesamiento de algorit-
mos de IA con metodologías de investigación
que desarrollen personas expertas.
El proceso de transcripción puede ser sen-
cillo en el caso de los textos impresos y mu-
cho más complejo en el caso de documentos
manuscritos y antiguos, que pueden requerir
una estabilización del contenido transcrito que
permita, por ejemplo, modernizar la ortografía
e interpretar anotaciones. La normalización de
textos para su integración en grandes conjuntos
documentales permite analizar sus similitudes
y resaltar sus diferencias, lo que ha sucedido
con distintas colecciones especializadas, como
el Corpus de Estilometría aplicada al teatro del
siglo de oro (CETSO).
11
Las técnicas mixtas de investigación han
motivado ya la creación de conocimiento a par-
tir del contenido de objetos digitales que atraen
la atención como resultado de su inspección con
métodos computacionales. A partir del análisis
de los usos léxicos y su agrupación por autoría,
es posible hacer estudios automatizados de me-
dición de estilo que sugieran quién escribió un
texto cuya creación aún no ha sido atribuida,
haciendo incluso una delimitación del posible
periodo en que fue redactado. Este es el caso de
la obra teatral La francesa Laura, recientemente
imputada a Lope de Vega a partir de un análisis
computacional que sugirió la hipótesis, misma
que fue examinada y sustentada posteriormente
con el análisis lológico realizado por un in-
vestigador especialista.
12
Desarrollos similares se enfocan a la trans-
cripción de partituras antiguas, que deben en-
frentarse a tachaduras y marcas de deterioro
en los documentos, así como a la falta de una
notación estandarizada.
13
Metodologías de aná
-
lisis comparativo automatizado entre partituras
de la misma obra -manuales, automáticas o hí-
bridas- posibilitarán el estudio cronológico de
sus variaciones, a partir de las modicaciones
propuestas por cada dirección de orquesta.
Otras formas de enriquecer metadatos se
apoyan en la implementación de tecnologías
como el Reconocimiento de Entidades Nombra-
das (NER, por sus siglas en inglés), que permi-
te identicar palabras que designan personas,
organizaciones, lugares, tiempos o medidas en
documentos de texto, para ubicarlas dentro de
una clasicación preestablecida. Al extraer y
empatar información en grandes conjuntos do-
cumentales es posible reducir el tiempo de cla-
sicación y organización de éstos, produciendo
una sugerencia preliminar de registros similares
y criterios notables de clasicación que pueden
delimitarse con mayor precisión mediante una
intervención humana posterior. Este abordaje
reduce el tiempo que emplearía una persona al
154
Luis Miguel García Velázquez
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
enfrentarse al mismo cuerpo documental cuando
estaba completamente desorganizado.
Actualmente existen otros desarrollos
que estudian el contenido de las imágenes di-
gitales con métodos computacionales para la
clasicación de imágenes artísticas a partir de
sus características técnicas y estilísticas, que
permiten automatizar una organización siste-
mática, a la vez que posibilitan búsquedas con
lógicas distintas a las descriptivas. Estos en-
foques apuntan hacia la atribución de autoría,
la delimitación de componentes estilísticos en
un periodo, el establecimiento de redes de in-
uencias entre artistas y creaciones, el análisis
temporal de tópicos y tendencias y la extracción
de signicado a partir de imágenes que puede
incorporarse en sus metadatos o utilizarse para
generar vínculos entre ellas.
Es importante señalar que el trabajo espe-
cializado en el sector del patrimonio cultural
tiene dicultades particulares en relación con el
desarrollo en otros dominios; este es el caso del
proyecto San Jorge en una Bicicleta (SGoaB,
por sus siglas en inglés),
14
que complejiza los
requerimientos usuales de las aplicaciones de
visión computacional con la generación de des-
criptores de simbología iconográca para generar
metadatos sobre pinturas, que respondan también
a interpretaciones contextuales históricas.
Otros proyectos se especializan en agregar
metadatos en objetos complejos, por ejemplo,
la adición de etiquetas en videos que permita
encontrar rápidamente las escenas donde apa-
rece una pieza musical determinada dentro de
un repositorio de obras cinematográcas. En este
ejemplo, el contenido de cada objeto digital
está desestructurado -el contenido de la película
completa-, y cada una de las etiquetas adiciona-
das le brinda un mayor nivel de estructuración.
Es claro que este proceso no podría realizarse de
forma exhaustiva, dada la multiplicidad de ano-
taciones que podrían ser interesantes para una
misma colección, multiplicados por el tiempo y
el espacio de almacenamiento que requerirían.
En términos de usabilidad, es importan-
te tener en cuenta que la expectativa de quien
realiza una búsqueda es que el algoritmo pueda
proporcionar una respuesta apropiada más allá
de lo escrito textualmente, respondiendo a una
intención que podría no ser explícita en la re-
dacción de la consulta.
15
En el caso del patrimo-
nio cultural esto ofrece una dicultad adicional
para proveer motores de búsqueda rápidos y
ecientes, pues la gran mayoría de los objetos
digitales presentan su contenido informativo de
manera desestructurada;
16
este es el caso de los
textos literarios, donde no es suciente segmen-
tar y describir las secciones que integran una
obra para identicar en poco tiempo el pasaje
especíco que corresponde a una consulta en
forma de paráfrasis. Otro ejemplo de búsquedas
en datos desestructurados es la recuperación
de imágenes similares en uso de color y estilo
motivada por una imagen propuesta como se-
milla de exploración, ejercicio que puede ser
de gran utilidad para profesionales del diseño
y la producción gráca.
Para hacer atractiva la visita a una colec-
ción, es deseable brindar a la persona usuaria
una experiencia de búsqueda exible que pueda
adaptarse a su comportamiento a partir de la
identicación de sus intereses. Para lograrlo se
utilizan algoritmos de AA que tienen la capaci-
dad de establecer relaciones de sentido entre las
palabras utilizadas con mayor frecuencia en las
últimas consultas. Esta forma de vincular los
saberes sobre la colección va más allá de las
relaciones dadas inicialmente por la clasica-
ción, proponiéndolas a partir de los intereses y
las conexiones que se ineren de la actuación
de la comunidad usuaria.
Con esta información, otro algoritmo de
AA es capaz de seleccionar un conjunto de re-
sultados para presentarlos de forma ordenada,
calculando la probabilidad de que cada elemento
se ajuste a la búsqueda planteada en un inicio.
Una vez que el usuario elige alguno de los re-
sultados propuestos, es importante recuperar ese
155
Inteligencia Articial y patrimonio cultural
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
objeto digital de la base de datos y desplegarlo
en la menor cantidad de tiempo posible; con la
intención de lograrlo se han propuesto esque-
mas que reorganizan el almacenamiento de los
recursos de la colección para mantener más a
la mano aquellos elementos que se identican
como relevantes, al haber sido solicitados con
mayor frecuencia durante los últimos días.
Ampliar la mirada: posibilidades de difu-
sión y estudio de colecciones digitales
Con el desarrollo de los repositorios y catálogos
electrónicos se ha puesto un énfasis en presentar
los objetos en formas digitales estandarizadas,
a la vez que se provee a las colecciones de al-
goritmos de búsqueda y conexión que amplían
la epistemología comparativa entre objetos,
proponiendo nuevas formas en las que las co-
munidades interesadas pueden comprometerse.
17
Además, se identica la tendencia creciente
de organizar ejercicios de clasicación y cura-
duría colectiva a propósito de las colecciones
digitales que ofrezcan un grado de democra-
tización frente a los sistemas institucionales
de organización y exhibición que se proponen
desde la autoridad académica; aunque vale la
pena señalar que esta es también una práctica
limitada en términos de apertura, reconociendo
que las infraestructuras digitales perpetúan la
inequidad de acceso tanto como las combaten,
aunque muchas veces se hable de ellas como
si fueran ubicuas y estuvieran a disposición de
cualquier persona.
Los criterios de clasicación social son
incorporados cotidianamente por múltiples
plataformas de cultura visual, que recuperan
etiquetas colaborativas
18
asignadas por la co-
munidad usuaria y las incluyen como atributos
de búsqueda en sus contenidos. Ya sea a partir
de las lógicas exploratorias de las personas que
depositan materiales y visitan colecciones, o de
los ejercicios de investigación propuestos desde
las HD, los objetos de patrimonio cultural pueden
ser agrupados de formas novedosas como resulta-
do de la aplicación de métodos computacionales.
La capacidad de cómputo actual que pro-
veen los algoritmos de AP para clasicación de
imágenes les permite considerar muchas más
características visuales de las que puede proce-
sar el cerebro, variando de manera signicativa
la medición de similitudes. Este desplazamiento
de los criterios tradicionales de clasicación de
imágenes podría recongurar el universo del
arte visual, al incorporar nuevos atributos que
van más allá de los usuales e incluso resultan
opacos para nuestra comprensión.
La Inteligencia Artificial Explicable
19
(XAI, por sus siglas en inglés) es un campo
de desarrollo dentro de la IA que persigue el
entendimiento de los métodos computacionales
altamente ecaces cuando es difícil establecer
una correspondencia entre sus criterios de ac-
ción y la conceptualización teórica del problema
planteado. Avances en esta línea de trabajo per-
mitirán aprovechar los dispositivos de clasi-
cación automática para identicar e interpretar
atributos que han incidido en la transformación
del imaginario artístico a lo largo del tiempo,
20
arrojando información sobre la evolución y la
persistencia del gusto, la percepción estética, la
lectura emocional y las complejas estructuras
afectivo-cognitivas que nos proporcionan medios
de interpretación y signicación desde lo visual.
En esta búsqueda de nuevas características
de clasicación se ubica la propuesta metodoló-
gica para ampliar la teoría afectiva del arte en la
pintura abstracta con los estudios exploratorios
sobre la base de datos MART,
21
que se enfoca
a la identicación de patrones visuales asocia-
dos con mensajes emocionales reconocidos
por grupos heterogéneos de personas en obras
pictóricas; en estos estudios se considera como
variable importante la diversidad de dichos gru-
pos en términos de edad, género, profesión y
nivel educativo.
22
La incorporación de metodologías com-
putacionales permite denir y atender nuevas
156
Luis Miguel García Velázquez
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
preguntas de investigación. La cuanticación de
conexiones entre imágenes, al establecer métricas
de similitud y relaciones de contagio, propor-
ciona ópticas innovadoras para el estudio de la
cultura visual; este es el caso de los proyectos
de análisis de la gestualidad por medios digitales
que diseñan secuencias de algoritmos para reco-
nocer, comparar, clasicar y medir la similitud
entre posturas y gestos de cuerpos humanos en
grandes colecciones de imágenes, a través de
planteamientos cuantitativos que instrumenta-
lizan conceptos teóricos de la historia del arte.
El Laboratorio de Humanidades Digitales
del Instituto Max Planck de Historia del Arte
estableció como problema el análisis de las imá-
genes del Atlas Mnemosine23 para identicar
atributos en las formas corporales que permita
asociarlas de acuerdo con la noción de pathos-
formel,
24
propuesta por Aby Warburg. Es impor-
tante resaltar que el planteamiento teórico de
Warburg no incluyó el desarrollo de una fórmula
en sí, lo que da una especial relevancia a la im-
plementación de aproximaciones matemáticas.
La solución se proyectó en cuatro fases.
En la primera de ellas se identicó de forma
automatizada la presencia de guras humanas
en las imágenes del Atlas, que fueron recor-
tadas digitalmente para separarlas de su con-
texto. En la segunda fase se produjo una re-
presentación matemática de las imágenes que
permitió expresarlas con unidades simples, a
modo de esqueletos que registran la posición
corporal expresiva como una combinación de
líneas articuladas. Durante la tercera fase se
realizó la medición de los ángulos asociados
con las articulaciones de la representación con
el propósito de convertir cada imagen en un
conjunto de entradas numéricas. En la cuarta y
última fase, las representaciones obtenidas se
agruparon utilizando un algoritmo de AA para
establecer una comparación entre los grupos
propuestos por la IA y aquellos que habían
sido delimitados desde la teoría, misma que
resultó concordante.
25
La técnica seguida para la ejecución de este
proyecto toma elementos de la lectura cercana,
basada en la interpretación y el análisis cuali-
tativo, y la lectura distante, a través de la codi-
cación algorítmica de una secuencia de ma-
nipulaciones cuantitativas. El desplazamiento
entre una y otra forma de lectura, conceptua-
lizado como operacionalización, es una de las
estrategias dentro de las HD para desarrollar
dispositivos de análisis que propicien la mi-
rada macroscópica de grandes volúmenes de
objetos. Una vez que la técnica se ha aplicado
con éxito, es posible implementarla en bancos
de datos más amplios y que no han sido ex-
plorados con anterioridad.
Al utilizar los resultados de las técnicas de
lectura distante como entrada para dispositivos
de aprendizaje no supervisado, se generan uni-
dades y regularidades que exceden las nociones
tradicionales de motivos y formas utilizadas
tradicionalmente para estudiar las imágenes,
26
lo que propone a su vez nuevas formas de lec-
tura cercana que podrán dirigir la atención de
especialistas hacia aspectos que no habían sido
considerados previamente. En este sentido, la
operacionalización no solamente propone un
potente dispositivo de análisis macroscópico,
sino que ofrece una vía para expandir los pará-
metros establecidos por la propia teoría inicial.
Reexiones nales: desafíos y rutas hacia
un horizonte de posibilidades
Una reexión necesaria para las instituciones
culturales tiene que ver con el acceso y la ac-
cesibilidad que realmente proveen las platafor-
mas digitales, en un contexto presente donde
brechas tecnológicas separan a la población
por una disponibilidad desigual de dispositivos
tecnológicos, infraestructura de comunicación y
habilidades en entornos digitales. Desde la pers-
pectiva de las HD, es conveniente reexionar de
forma crítica que la dependencia de un lenguaje
computacional puede restringir la oportunidad
157
Inteligencia Articial y patrimonio cultural
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
de consulta y exploración de los objetos de pa-
trimonio cultural, por lo que no debería ima-
ginarse como una vía con alcances ilimitados
para dotar de accesibilidad a las colecciones.
27
Adicionalmente, se vuelve urgente incorpo-
rar en esta discusión una perspectiva de usabili-
dad que habilite la participación de audiencias
desde sus singularidades corporales y percep-
tivas, alejándose de estándares normativos y
capacitistas. Este último enfoque constituye otro
terreno en el que las herramientas de IA pueden
ofrecer valiosas aportaciones, al tiempo que
pueden potenciar otros sentidos de diversidad,
como sucede con la traducción automática, que
habilita la interacción dinámica entre personas
y objetos culturales de las distintas lenguas que
coexisten en un mismo país.
28
Las particularidades que caracterizan a cada
conjunto de objetos digitales están impulsando
a las instituciones culturales y de investigación
para realizar desarrollos que respondan a sus
intereses particulares, razón por la cual están
empleando sus propias colecciones para el
diseño de algoritmos, según reporta el Grupo
de Trabajo de la Asociación Europeana que se
especializa en la vinculación de la IA y el sec-
tor del patrimonio cultural.
29
A diferencia del
uso de herramientas comerciales -que también
puede ser apropiado-, este enfoque promueve
el desarrollo de destrezas al interior de una orga-
nización, además de garantizar un control legal
sobre el uso de los materiales en las colecciones.
Además de la inversión necesaria para la
digitalización, el almacenamiento y el diseño
e implementación de plataformas de visuali-
zación para las colecciones, los desarrollos de
IA requieren de la creación de conjuntos de
datos apropiados, preprocesados, estructurados
en una base de datos y debidamente anotados
para entrenar modelos de forma automática,
es decir, adicionando etiquetas que sean rele-
vantes, sucientes, consistentes y de calidad.
Algunas barreras para que estos desarrollos de
IA orezcan en este sector tendrán que ver con
la escasez de datos debidamente procesados,
la falta de recursos de hardware sucientes, la
limitación de tiempo para la implementación
de proyectos y la ausencia de especialistas con
destrezas técnicas y sensibilidad hacia los mate-
riales de las colecciones en los equipos actuales.
Una alternativa ante la insuciencia de ano-
taciones sobre las colecciones digitales es la
promoción de esquemas de gamicación que
involucren a la comunidad usuaria en el pre-
procesamiento y evaluación de los datos sobre
patrimonio cultural, bajo la lógica de la ciencia
ciudadana, que ayuden a incrementar el nivel de
estructuración de los objetos digitales y la adi-
ción de metadatos relevantes y de calidad. Otra
estrategia posible ante este desafío es la adopción
de estándares que enlacen datos abiertos sobre
colecciones, permitiendo a las instituciones com-
partir los propios objetos digitales -siempre que
sea posible-, las conexiones de sentido entre ellos
y los metadatos que tienen asociados.
Ante la falta de recursos para desarrollar
tecnología, una ruta conveniente es la aplicación
de algoritmos de IA provenientes de problemas
cercanos que, a través del aprendizaje por trans-
ferencia, puedan especializarse en los problemas
propios de colecciones especícas utilizando
una menor cantidad de datos y recursos.
El marco de acción propuesto por las HD
insiste en la relevancia de formar equipos in-
terdisciplinares desde el inicio al desarrollar
cualquier proyecto en el área; por ello, es impor-
tante atraer personas del campo de las ciencias
computacionales hacia estas líneas de investi-
gación, dando oportunidad para que adquieran
sensibilidad al trabajar con objetos patrimoniales.
Además, es urgente proveer a las profesiones en
humanidades de una formación tecnológica que
favorezca la colaboración interdisciplinar.
Finalmente, insistimos en la conveniencia
de organizar ciclos virtuosos de retroalimenta-
ción entre las personas expertas en el patrimonio
cultural y quienes diseñan los algoritmos, que
promuevan las conexiones con los sectores del
158
Luis Miguel García Velázquez
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
campo laboral y de estudio que ofrecen mayor
resistencia para la incorporación de la IA. Desde
la perspectiva de las HD, la presencia de estos es-
quemas de colaboración potencia las posibilidades
de que la operacionalización funcione como una
estrategia dialógica provechosa entre las lectu-
ras cercanas y distantes, que motive a su vez la
transformación de las rutas metodológicas para
la preservación, la difusión y la investigación de
las colecciones digitales de patrimonio cultural.
Citas
1
Es posible consultar más información sobre el proyecto
en https://skeiron.com.ua/saveukrainianheritage/
2
Las redes neuronales son algoritmos de AA que fueron
nombrados de esta forma porque su diseño y operación
están inspirados por la siología del cerebro humano.
3
Martin-Brualla, et al., “NeRF in the Wild: Neural
Radiance Fields for Unconstrained Photo Collections”,
pp. 7206-7215.
4
El Aprendizaje Profundo es una rama del Aprendizaje
Automático que promueve el análisis de grandes candi-
dades de datos utilizando modelos en capas que permiten
procesar características de los datos en distintos niveles de
abstracción. En esta categoría se inscriben los desarrollos
actuales con redes neuronales.
5
AHE es un conjunto de datos abierto, conformado por
10 235 imágenes de patrimonio arquitectónico, previamente
etiquetadas para entrenar algoritmos de aprendizaje profundo.
6
El aprendizaje por transferencia aprovecha un desarrollo
hecho previamente para cumplir un objetivo similar -por
ejemplo, identicar vehículos en fotografías urbanas-,
pero distinto del nuevo objetivo -que podría ser identi-
car arbotantes en imágenes de templos. Estas técnicas
permiten supera las métricas de evaluación en el nuevo
problema al entrenar el algoritmo con una cantidad menor
de imágenes que sí corresponden a la situación objetivo,
sin requerir largos periodos de desarrollo.
7
Llamas, et al., “Classication of architectural heritage
images using deep learning techniques”, pp. 1-6.
8
Leissler, et al., “Climate for Culture: assessing the im-
pact of climate change on the future indoor climate in
historic buildings using simulations”, pp. 1-15.
9
La inteligencia computacional es una rama de la IA que
agrupa metodologías inspiradas en la naturaleza. Incluye
aquellos modelos que proporcionan estrategias adaptati-
vas, así como los que pueden categorizar la información
empírica dentro de un sistema lógico que sea difuso, es
decir, que admita matices al cuaticar la veracidad de
una armación.
10
Moreno, et al., “Preventive Conservation and Restora-
tion Monitoring of Heritage Buildings Based on Fuzzy
Logic”, pp. 10-15.
11
CETSO contiene 2 800 obras de 350 dramaturgos que
han sido adaptadas a la ortografía moderna, así como nor-
malizadas para permitir su comparación mediante algoritmos
computacionales. Puede consultarse en https://etso.es/cetso
12
Cuéllar y Vega García-Luengos, “La francesa Laura.
El hallazgo de una nueva comedia del Lope de Vega
último”, pp. 133-142.
13
Baró, et al., “From Optical Music Recognition to Hand-
written Music Recognition: A baseline”, pp. 1-2.
14
Es posible consultar más información sobre este proyec-
to del Centro Nacional de Supercomputación (Barcelona,
España) en https://saintgeorgeonabike.eu/
15
Gasimova y Abbasli, “Advancement of the search pro-
cess for digital heritage by utilizing articial intelligence
algorithms”, p. 113560.
16
Gasimova y Abbasli, “Advancement of the search pro-
cess for digital heritage by utilizing articial intelligence
algorithms”, p. 113559.
17
Geismar, Museum object lessons for the digital age,
pp. 52, 61.
18
En algunas plataformas digitales -por ejemplo, de re-
des sociales- es común que la comunidad usuaria asigne
etiquetas (hashtags) que habilitan la indexación de mate-
riales de circulación pública. A través de las herramientas
de búsquedas, estas etiquetas organizan la producción de
una folksonomía dinámica y amplia.
19
La Inteligencia Articial Explicable es una disciplina
de estudio de las ciencias computacionales cuyo campo
de investigación es explicitar el funcionamiento de las
redes neuronales, así como la enunciación de los criterios
que surgen de ellas.
20
Rodríguez-Ortega, “Image processing and computer
vision in the eld of art history”, p. 348.
21
La colección MART contiene más de 20 000 obras
159
Inteligencia Articial y patrimonio cultural
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
de arte contemporáneo, incluyendo pinturas, dibujos,
grabados y esculturas.
22
Sartori, et al., “Aective Analysis of Professional and
Amateur Abstract Paintings Using Statistical Analysis
and Art Theory”, pp. 1-27.
23
El Atlas Mnemosyne consiste en una serie de paneles
en los que Aby Warburg organizó fotografías de pinturas,
esculturas, estampas, monedas, cartas de tarot y otro tipo
de imágenes. El dispositivo permitía el análisis compa-
rativo de las imágenes, que se disponían en los paneles
por similitud como parte de la metodología de estudio.
En la implementación descrita se utilizó la última versión
de la que se tiene registro, que consta de 971 imágenes.
24
La fórmula patética, propuesta por Aby Warburg, es
pieza fundamental de la teoría de la gestualidad en la
historia del arte, al reconocer el carácter de la congu-
ración de la forma como productora de sentido en los
planos afectivo y cognitivo.
25
Impett y Moretti, “Totentanz. Operationalizing Aby
Warburg’s pathosformeln”, pp. 1-11.
26
Rodríguez-Ortega, “Inteligencia articial y campo del
arte”, p. 46.
27
García-Velázquez, “Documentos en entornos digitales:
una mirada interdisciplinar desde las ciencias archivísticas
y computacionales”, p. 44.
28
Mager y Meza, Retos en construcción de traductores au-
tomáticos para lenguas indígenas de México, pp. 143-144.
29
Markus, et al., AI in Relation to GLAMs Task Force:
Report and Recommendations, p. 10.
Fuentes
Bibliografía
Baró, Arnau, et al., “From Optical Music Recognition to
Handwritten Music Recognition: A baseline”, en Pattern
Recognition Letters, vol. 123, 2019, pp. 1-8, https://doi.
org/10.1016/j.patrec.2019.02.029
Cuéllar, Álvaro, y Germán Vega García-Luengos, “La fran-
cesa Laura. El hallazgo de una nueva comedia del Lope
de Vega último”, en Anuario Lope de Vega. Texto, litera-
tura, cultura, núm. 29 (2023), pp. 131-198, https://doi.
org/10.5565/rev/anuariolopedevega.492
García-Velázquez, L. M., “Documentos en entorno di-
gitales: una mirada interdisciplinar desde las ciencias
archivísticas y computacionales”, en Nelson Javier Pulido
y Adriana Mata, Documento digital: aspectos para garan-
tizar su integridad, Colombia-México, Universidad La
Salle - Universidad Autónoma de San Luis Potosí, 2022.
Gasimova, Rena T., y Rahim N. Abbasli, “Advancement
of the search process for digital heritage by utilizing
articial intelligence algorithms”, en Expert Systems
with Applications, vol. 158 (2020), pp. 113559-113567,
https://doi.org/10.1016/j.eswa.2020.113559
Geismar, Haidy, Museum object lessons for the digital
age, UCL Press, 2018.
Impett, Leonardo, y Franco Moretti, Totentanz. Oper-
ationalizing Aby Warburg’s pathosformeln, Stanford
Literary Lab, 2017.
Leissner, Johanna, et al., “Climate for Culture: assessing
the impact of climate change on the future indoor climate
in historic buildings using simulations”, en Heritage
Science, vol. 3, núm. 1 (2015), pp. 1-15, https://doi.
org/10.1186/s40494-015-0067-9
Llamas, José, et al., “Classication of architectural heri-
tage images using deep learning techniques”, en Applied
Sciences, vol. 7, núm. 10 (2017), pp. 992-1017, https://doi.
org/10.3390/app7100992
Markus, Gregory, et al., AI in relation to GLAMs Task
Force: Report and Recommendations, Technical report,
Europeana Network Association, 2021.
Martin-Brualla, Ricardo, et al., “NeRF in the Wild: Neural
Radiance Fields for Unconstrained Photo Collections”, 2021
IEEE/CVF Conference on Computer Vision and Pattern
Recognition (CVPR), Nashville, IEEE, 2021 pp. 7206-7215.
https://doi.org/10.1109/CVPR46437.2021.00713
Moreno, Mónica, et al., “Preventive Conservation and
Restoration Monitoring of Heritage Buildings Based on
Fuzzy Logic”, en International Journal of Architectural
160
Luis Miguel García Velázquez
Dicere • ISSN 2954-369X • DOI: https://doi.org/10.35830/dc.vi4.55
Heritage, 2022, pp. 1-18. Recuperado de: https://doi.or
g/10.1080/15583058.2021.2018520
Mager, Manuel, e Iván Meza, “Retos en construcción
de traductores automáticos para lenguas indígenas de
México”, en Digital Scholarship in the Humanities, vol.
36, núm. 1 (2021), pp. i43–i48, https://doi.org/10.1093/
llc/fqz093
Rodríguez-Ortega, Nuria, “Image processing and computer
vision in the eld of art history”, en Kathryn Brown, The
Routledge Companion to Digital Humanities and Art His-
tory, New York, Routledge, 2020. pp. 338-357.
Rodríguez-Ortega, Nuria, “Inteligencia articial y campo
del arte”, en Paradigma: revista universitaria de cultura,
núm. 23 (2020), pp. 32-51.
Sartori, Andrea et al., “Aective Analysis of Professional
and Amateur Abstract Paintings Using Statistical Analysis
and Art Theory,” en ACM Transactions on Interactive
Intelligent Systems, vol. 5, núm. 2 (2015), pp. 1-27.