تاکنون، این پروژه نتایج شگفت انگیزی به همراه داشته است. یک الگوی یافت شده در داده‌ها به محققان این امکان را می‌دهد تا ببینند که در حالی که اروپا پس از اصلاحات پروتستان در امتداد خطوط مذهبی شکسته می‌شد، دانش علمی در حال ادغام بود. متون علمی چاپ شده در مکان هایی مانند شهر پروتستان ویتنبرگ، که به لطف کار دانشمندان اصلاح طلب به مرکزی برای نوآوری های علمی تبدیل شده بود، قبل از انتشار در سراسر قاره در مراکزی مانند پاریس و ونیز تقلید می شد. والریانی می‌گوید اصلاحات پروتستان دقیقاً موضوعی نیست که مورد مطالعه قرار نگرفته باشد، اما دیدگاه ماشینی به محققان این امکان را می‌دهد که چیز جدیدی ببینند: “این قبلاً کاملاً واضح نبود.” مدل های اعمال شده بر روی جداول و تصاویر شروع به بازگشت الگوهای مشابه کرده اند.
رایانه‌ها اغلب فقط تکرارهای معاصر اشیایی را می‌شناسند که تاریخچه طولانی‌تری دارند – آیفون و تسلا را در نظر بگیرید، نه تابلوهای برق و مدل Ts.
والریانی می‌گوید این ابزارها امکانات مهم‌تری نسبت به پیگیری 10000 جدول ارائه می‌کنند. در عوض، آنها به محققان اجازه می‌دهند تا از الگوهای موجود در خوشه‌های سوابق، استنباط‌هایی در مورد تکامل دانش استخراج کنند، حتی اگر در واقع تنها تعداد انگشت شماری از اسناد را بررسی کرده باشند. او می‌گوید: «با نگاه کردن به دو جدول، می‌توانم در مورد 200 سال نتیجه‌گیری بزرگی داشته باشم.
شبکه های عصبی عمیق نیز در بررسی تاریخچه قدیمی تر نیز نقش دارند. رمزگشایی کتیبه‌ها (معروف به کتیبه) و بازیابی نمونه‌های آسیب‌دیده، کارهای پر زحمتی هستند، به‌ویژه زمانی که اشیاء نوشته شده جابه‌جا شده باشند یا نشانه‌های متنی را نداشته باشند. مورخان تخصصی نیاز به حدس و گمان های علمی دارند. برای کمک، Yannis Assael، دانشمند محقق DeepMind، و Thea Sommerschield، یک محقق فوق دکتری در دانشگاه Ca’ Foscari ونیز، یک شبکه عصبی به نام Ithaca ایجاد کردند که می‌تواند بخش‌های گمشده کتیبه‌ها را بازسازی کند و تاریخ و مکان را به متون نسبت دهد. محققان می گویند رویکرد یادگیری عمیق – که شامل آموزش روی مجموعه داده های بیش از 78000 کتیبه است – اولین رویکردی است که از طریق یادگیری از مقادیر زیادی داده، به بازسازی و انتساب به طور مشترک می پردازد.
آسائل و سامرشیلد می‌گویند که تا کنون، این رویکرد، کتیبه‌های احکام دوره‌ای مهم در آتن کلاسیک را که مدت‌ها به 446 و 445 پیش از میلاد نسبت داده می‌شود، روشن می‌کند – تاریخی که برخی از مورخان با آن مخالفت کرده‌اند. به عنوان یک آزمایش، محققان مدل را بر روی یک مجموعه داده که حاوی کتیبه مورد نظر نبود، آموزش دادند و سپس از آن خواستند متن فرمان ها را تجزیه و تحلیل کند. این یک تاریخ متفاوت ایجاد کرد. آنها از طریق ایمیل گفتند: «متوسط تاریخ پیش‌بینی‌شده ایتاکا برای احکام 421 قبل از میلاد است، که با جدیدترین پیشرفت‌های تاریخ‌یابی مطابقت دارد و نشان می‌دهد که چگونه یادگیری ماشینی می‌تواند به بحث‌ها در مورد یکی از مهم‌ترین لحظات تاریخ یونان کمک کند».
بث هوکل
ماشین های زمان
پروژه‌های دیگر پیشنهاد می‌کنند که از یادگیری ماشین برای استنتاج حتی گسترده‌تر در مورد گذشته استفاده شود. این انگیزه پشت ماشین زمان ونیز بود، یکی از چندین “ماشین زمان” محلی در سراسر اروپا که اکنون برای بازسازی تاریخ محلی از روی رکوردهای دیجیتالی ایجاد شده است. آرشیو دولتی ونیزی 1000 سال تاریخ را پوشش می دهد که در 80 کیلومتر قفسه ها پخش شده است. هدف محققان دیجیتالی کردن این سوابق بود که بسیاری از آنها هرگز توسط مورخان مدرن بررسی نشده بود. آنها از شبکه‌های یادگیری عمیق برای استخراج اطلاعات استفاده می‌کنند و با ردیابی نام‌هایی که در یک سند در اسناد دیگر ظاهر می‌شوند، پیوندهایی را که زمانی ونیزی‌ها را محدود می‌کردند، بازسازی می‌کنند.
فردریک کاپلان، رئیس سازمان ماشین زمان، می گوید که این پروژه اکنون به اندازه کافی از اسناد اداری شهر را دیجیتالی کرده است تا بافت شهر در قرن های گذشته را به تصویر بکشد، و امکان ساخت و ساز با ساختمان و شناسایی خانواده هایی که در آنجا زندگی می کردند را ممکن می سازد. نقاط در زمان کاپلان می گوید: «اینها صدها هزار سند هستند که برای رسیدن به این شکل از انعطاف باید دیجیتالی شوند. “این هرگز قبلا انجام نشده است.”
با این حال، زمانی که نوید نهایی پروژه به میان می‌آید – چیزی کمتر از شبیه‌سازی دیجیتالی از ونیز قرون وسطایی تا سطح همسایگی، از طریق شبکه‌های بازسازی‌شده توسط هوش مصنوعی – مورخانی مانند یوهانس پرایزر-کاپلر، استاد آکادمی علوم اتریش که این مطالعه را انجام داد. از اسقف های بیزانسی، می گویند که این پروژه نتوانسته است ارائه شود زیرا مدل نمی تواند بفهمد کدام اتصالات معنی دار هستند.