Yapay zeka arkeolog olabilir mi? Yapay zeka ile arkeoloji nereye kadar?

Arkeolojide makine öğrenmesi çalışmaları son on yılda patlama yaşadı; ancak hiçbirinde beklenen verim alınamadı. Yapay zekâ arkeolojik tespitleri hızlandırıyor ama ulaştığı bilgilerin güvenirliği sorunlu. Journal of Archaeological Science’ta yayımlanan iki çalışma, arkeolojide bilgisayarla görme ve makine öğrenmesi kullanımına dair kapsamlı bir çerçeve çiziyor. İlki kuramsal önyargıları ve veri sorunlarını tartışırken, ikincisi yedi adımda uygulanabilir bir rehber sunuyor.

 

Arkeolojide Yapay Zekânın Sınırları ve Fırsatları Üzerine İki Çalışma

Barcelona Süper Bilgisayar Merkezi’nden üç araştırmacı, arkeolojide yapay zekâ kullanımına dair iki ayrı makaleyle alanda yeni bir tartışma başlattı. Journal of Archaeological Science’ın 2026 tarihli sayılarında yayımlanan çalışmalar, aynı yazarların imzasını taşıyor olsa da birbirini tamamlayan, yer yer de birbirinden ayrılan iki farklı perspektif sunuyor.

Ortak yazarlar, iki ayrı bakış

Her iki makalenin de yazarları arasında Hector A. Orengo (Barcelona Süper Bilgisayar Merkezi ve ICREA), Iban Berganzo-Besga (Barcelona Süper Bilgisayar Merkezi) ve Felipe Lumbreras (Computer Vision Center ve Universitat Autonoma de Barcelona) yer alıyor.

“Theory and practice of artificial intelligence in archaeology” (Arkeolojide yapay zekanın teori ve pratiği: Journal of Archaeological Science, Cilt 190, 2026, Makale No: 106571) “Best practices for the application of computer vision-based machine learning in archaeology” (Arkeolojide bilgisayar görüşüne dayalı makine öğreniminin uygulanmasına yönelik en iyi uygulamalarJournal of Archaeological Science, 2026)

Teorik çatıyı kuran ilk çalışmada Dr. Hector A. Orengo birinci yazarken, teknik uygulama protokolünü sunan ikinci çalışmada Dr. Iban Berganzo-Besga birinci yazar olarak dikkat çekiyor.

Kuramsal çerçeve ve sorumluluk

Orengo ve arkadaşlarının ilk makalesi, arkeolojide makine öğrenmesi (ML) uygulamalarına kuramsal bir zemin hazırlıyor. Yazarlara göre ML sistemleri arkeolojik “nesneleri” doğrudan öğrenmez; onların dolaylı göstergeleri (spektral, morfometrik, dokusal vb.) üzerinden matematiksel modeller kurar. Bu durum, eğitim verilerindeki önyargılar, örneklem yetersizliği ve sınıf dengesizliği gibi sorunları beraberinde getirir.

Makalenin temel savı şu: “Arkeolojik ML’nin değeri, uzmanlığı devre dışı bırakmakta değil, onu bütünleştirmekte yatar”. Yazarlar, ML yöntemlerinin ölçeklenebilir, sınanabilir çıkarımlar sağlayabileceğini, ancak bu sürecin arkeolojik kavramlarla hesaplamalı temsiller arasındaki bağın şeffaf ve eleştiriye açık olmasını gerektirdiğini vurguluyor.

Orengo ve ekibinin ilk makalede kurduğu teorik çerçeve, yapay zekayı bir "teknolojik kehanet merkezi" olarak gören aşırı iyimser tutumu törpülemekte; modelin arkeolojik nesneyi değil, nesnenin veri üzerindeki dolaylı temsilini öğrendiğini hatırlatmaktadır. Berganzo-Besga ve ekibinin ikinci makalede sunduğu pratik el kitabı ise, bu teorik uyarıların laboratuvarda hata yapmadan nasıl somut metoda dönüştürülebileceğini kanıtlamaktadır.

Yedi adımda uygulama rehberi

Berganzo-Besga ve arkadaşlarının ikinci makalesi ise doğrudan bilgisayarla görme (CV) tabanlı ML yöntemlerine odaklanıyor. Araştırmacılar, arkeolojideki CV uygulamalarının %76’sını oluşturduğunu ve bu çalışmaların en az %44,9’unda yöntem veya sonuç sorunları bulunduğunu belirtiyor. Bu tespitten yola çıkarak yedi başlıkta “en iyi uygulamalar” öneriyorlar:

1. Kaynak seçimi (veri kalitesi, çözünürlük, çoklu kaynak kullanımı)
2. Ön işleme (gürültü azaltma, çok bantlı görüntü oluşturma, tiling)
3. Algoritma seçimi (CNN, R-CNN, YOLO vb. arasından doğru tercih)
4. Eğitim stratejileri (veri artırma, transfer öğrenme, sentetik veri, aşırı öğrenmeyi önleme)
5. Son işleme (morfolojik filtreler, olasılık eşikleri)
6. Doğrulama (karmaşıklık matrisi, kesinlik/duyarlılık/F1 skoru, düşük yoğunluklu senaryolar)
7. Etik ve iletişim sorumluluğu (önyargı yönetimi, FAIR ilkeleri, kod paylaşımı, miras koruması)

Örtüşen noktalar: Veri sorunu ve uzmanlık vurgusu

Her iki makale de arkeolojik verinin kendine özgü zorluklarına dikkat çekiyor: eğitim örneği azlığı, özellikler arası yüksek değişkenlik, mekânsal dağılım ve sınıf dengesizliği. Her ikisi de ML modellerinin “kara kutu” doğasını sorun olarak tanımlıyor ve açıklanabilir yapay zekâ (XAI) yöntemlerinin önemini vurguluyor.

En güçlü ortak vurgu ise arkeolojik uzmanlığın vazgeçilmezliği. İlk makale “ML uzmanlığın yerini almaz, onunla bütünleşir” derken, ikinci makale de etiketleme, veri seti oluşturma ve sonuç yorumlamanın mutlaka alan uzmanları tarafından yapılması gerektiğini belirtiyor.

Arkeolojik Verinin Zorlu Doğası: Her iki çalışma da arkeolojik verilerin endüstriyel verilerden farklı olarak; aşırı veri kıtlığı (scarcity), yüksek örnekler arası varyasyon (variability), düzensiz uzamsal dağılım (dispersion) ve hedef sınıf ile arka plan arasındaki büyük dengesizlik (class imbalance) ile malul olduğunu vurguluyoar. 

"Kutudan Çıktığı Gibi" (Out-of-the-Box) Modellere İtiraz: Genel bilgisayarlı görü modellerinin (örneğin sokak nesneleri veya insan yüzleriyle eğitilmiş standart ağlar) doğrudan arkeolojiye uygulanamayacağı net şekilde ifade ediliyor.

Arkeolojik Alan Uzmanlığının (Domain Knowledge) Vazgeçilmezliği: Yapay zekanın arkeoloğun yerini alamayacağı, aksine verinin etiketlenmesinden modelin doğrulanmasına kadar her adımda arkeolojik alan bilgisine bağımlı olduğu vutgulnıyor.

Kara Kutu ve Açıklanabilirlik Riski: Derin öğrenme modellerinin kararları nasıl aldığının şeffaf olmaması, Açıklanabilir Yapay Zeka (XAI) ve saha doğrulamasının (ground-truthing) zorunluluğunu ortak payda olarak öne çıkarıyor. 

FAIR Veri İlkeleri ve Etik: Kodların, veri setlerinin ve karmaşıklık matrislerinin (confusion matrix) açık bilim anlayışıyla paylaşılması gerekliliği savunuluyor.

Ayrışan noktalar: Kuram mı, pratik mi?

İki makale arasındaki en belirgin fark, hedef kitle ve kapsam:

- “Theory and practice...” daha çok kuramsal ve eleştirel bir duruş sergiliyor. ML’nin arkeolojik bilgi üretimindeki epistemolojik etkilerini, tanım ve temsil sorunlarını, önyargı kaynaklarını derinlemesine tartışıyor. Hangi durumlarda ML’nin uygun olduğunu (büyük ölçekli analiz, insan gözüyle anlaşılamayan veriler) ve hangi durumlarda kaçınılması gerektiğini (tutarsız veri, küçük alanlar) sorguluyor.

- “Best practices...” ise doğrudan uygulamaya yönelik, adım adım bir rehber niteliğinde. Hangi yazılım araçlarının kullanılacağından (LabelImg, VIA, Roboflow), hiperparametrelerin nasıl ayarlanacağına, eğitim/doğrulama/test verilerinin nasıl bölüneceğine (%60-20-20) kadar somut öneriler sunuyor.

Bir başka ayrışma noktası üretken yapay zekâ değerlendirmesi. İlk makale, büyük dil modelleri ve çok modelli temel modellerin yükselişine geniş bir bölüm ayırırken, ikinci makale bu teknolojilere yalnızca etik bağlamda değiniyor.

1. Makale "Neden ve Ne Amaçla Yapay Zeka?" sorusuna teorik yanıtlar ararken; 2. Makale "Laboratuvarda ve Bilgisayar Başında Adım Adım Nasıl Uygulanır?" sorusuna teknik rehberliğe soyunuyor.

1. Makale Bilgisayarlı Görünün yanı sıra Doğal Dil İşleme (NLP), Üretken Yapay Zeka (LLM/LMM), Görsel-Dil Modelleri (VLM), Tablo Tabanlı Temel Modeller (TFMs) ve Ajan Yapay Zeka (Agentic AI) gibi geniş bir AI spektrumunu tartışırken. 2. Makale odağını doğrudan Bilgisayarlı Görü (Computer Vision), LiDAR DTM işleme, uydu görüntüleri ve 3D morfometri ile sınırlandırıyor..

1. Makale araştırmacılara bir karar verme akış şeması (flowchart) sunarken; 2. Makale 7 maddelik operasyonel bir protokol kontrol listesi veriyor. 

Yapay Zeka Arkeoloji Konusunda henüz emekleme aşamasında

İki çalışma birlikte okunduğunda, arkeolojide yapay zekânın henüz emekleme aşamasında olduğu ve disiplinler arası bir olgunlaşma sürecinden geçtiği anlaşılıyor. İlk makale, “Ne yapıyoruz ve neden?” sorusuna kuramsal bir yanıt ararken; ikincisi, “Nasıl daha iyi yaparız?” sorusuna pratik bir kılavuz sunuyor.

İki makalenin ortaklaşa verdiği en güçlü mesaj şudur: Arkeolojide yapay zeka uygulamaları rastgele algoritmaların çalıştırıldığı "çocukluk/deneme çağını" kapatıp, sıkı standartların uygulandığı "metodolojik olgunluk dönemine" geçmek zorundadır. Yapay zeka, arkeoloğun mesleki tecrübesini ikame eden bir güç değil; ancak ve ancak eleştirel alan uzmanlığıyla birleştiğinde anlam kazanan, şeffaf ve sınanabilir bir büyüteçtir.  

Makalelerin ortak mesajları net: Başarılı bir arkeolojik ML uygulaması, iyi bir bilgisayar bilimcisi olmayı değil, iyi bir arkeolog olmayı ve bu iki alanın dilini birlikte konuşabilmeyi gerektirir. Veri setlerinin belgelenmesi, kodların açık paylaşımı, doğrulama yöntemlerinin şeffaflığı ve kültürel mirasa saygı, her iki metnin de altını çizdiği temel ilkeler. 

Arkeolojikhaber.com