Definitionen und Begriffe für KI
KI-Terminologie kann komplex sein, also klären wir einige Definitionen auf. Wenn Sie unsere Beiträge lesen, sehen Sie möglicherweise Begriffe wie „maschinelles Lernen“, „tiefes Lernen“, „Modelle“ oder „Ausbildung“. Machine Learning vs Deep Learning ist ein gemeinsamer Bereich der Verwirrung für diejenigen, die nicht mit KI-Techniken vertraut sind.
Maschinelles Lernen besteht aus einer Reihe von Algorithmen, die automatisch aus Daten lernen. Deep Learning ist eine Art von maschinellem Lernen, das sich bei der Lösung von Problemen mit hoher Dimensionalität auszeichnet (wo die Anzahl der Merkmale viel größer ist als die Anzahl der Beobachtungen). Computer Vision und Natural Language Processing fallen in diese Kategorie. Deep Learning verwendet eine Familie von Modellen, die von der Struktur und Funktionsweise des Gehirns (künstliche neuronale Netze) inspiriert sind und effektiv lernen, relevante Merkmale aus den Daten zu extrahieren. Das Ergebnis des Trainings eines Algorithmus für maschinelles Lernen ist ein prädiktives "Modell", mit dem zusätzliche Metadaten aus Inhalten generiert werden können.
Inzwischen kennen wir alle Datenmodelle wie das Europeana Data Model. Sie sind ein Mechanismus, der Kulturerbeinstitutionen dabei hilft, Metadaten im Zusammenhang mit Kulturerbeobjekten zu strukturieren. Aber was meinen wir, wenn wir über ein KI-Modell sprechen? Es handelt sich um einen Algorithmus, der für eine bestimmte Aufgabe trainiert wurde, z. B. um festzustellen, ob er einen Apfel oder eine Orange sieht. Es wird darauf trainiert, nach den wichtigsten Merkmalen von Äpfeln und Orangen zu suchen und zu prüfen, ob sie korrekt sind oder nicht. Dies ist ein rudimentäres Beispiel, aber das Prinzip ist das gleiche, wie Sie skalieren - es erfordert nur viel mehr Daten.
KI für das Kulturerbe
Mit unserem Beispiel Äpfel und Orangen können Sie sich schon jetzt vorstellen, wie wertvoll KI für das kulturelle Erbe ist. KI ist in der Lage, umfangreiche Datenmengen zu generieren, die zur Bereicherung von Kulturerbesammlungen verwendet werden können, wodurch sie leichter zu erkunden sind, sodass die Menschen das finden können, wonach sie suchen, Institute sich mit anderen Sammlungen verbinden können und vieles mehr.
Und da es bereits so viele digitalisierte Kulturerbedaten und -materialien gibt, die von vertrauenswürdigen Kulturerbeexperten beschrieben wurden, ist die Qualität der Daten äußerst wertvoll. Anstatt beispielsweise 100.000 zufällige Gemälde aus dem Internet auszuwählen und ein Modell gegen sie auszubilden, um „impressionistische Kunst“ zu erkennen, können Sie historische Materialien verwenden, die bereits Hinweise und Anleitungen für die Genauigkeit geben können. Aber KI geht über Malerei hinaus – sie wird derzeit in allen Bereichen des Kulturerbematerials aus 3D-Bildgebung, Ton, Video und Text umgesetzt.
KI und Europeana
Für Europeana könnte das Potenzial von KI zur Verbesserung der Datenqualität, einem kontinuierlichen Schmerzpunkt für Sammelnutzer, aufregende Möglichkeiten bieten. In der Europeana-Strategie 2020–2025 wird KI mehrfach als Mittel zum Zweck der Verbesserung der Datenqualität hervorgehoben. In dem Plan heißt es:
„Die manuelle Verbesserung der Metadatenqualität von Millionen von Datensätzen aus verschiedenen Quellen erfordert viel Zeit und Ressourcen. Die Anwendung von Instrumenten der künstlichen Intelligenz und maschinellen Lernnetzwerken zur automatischen Anreicherung in Verbindung mit menschlichem Wissen, das von Domänenexperten bereitgestellt wird, bietet eine bemerkenswerte Gelegenheit, die Qualität von Metadaten zu verbessern.“
Aber mit großer Macht kommt große Verantwortung. KI stellt zahlreiche ethische Herausforderungen dar, die genau betrachtet werden müssen. Derzeit gibt es mehrere Initiativen in ganz Europa, die sich mit den ethischen Bedenken der KI befassen, und Europeana wird im Einklang mit den Ethikleitlinien der Europäischen Kommission für vertrauenswürdige KI arbeiten.
In den kommenden Wochen werden wir Aktivitäten austauschen, darunter die Ergebnisse der EuropeanaTech AI in Bezug auf die GLAMs Task Force und die offene Herausforderung der Task Force für die Erstellung von Datensätzen für maschinelles Lernen auf der Grundlage von Europeana-Daten sowie die Erkundung von Projekten zum Kulturerbe im Zusammenhang mit KI. Sie erfahren mehr über die Arbeit intern bei der Europeana Foundation, und da der März der Monat der Geschichte der Frau ist, werden wir auch Frauen hervorheben und interviewen, die Projekte und Forschung im Bereich der KI und des Kulturerbes leiten.
Schauen Sie sich weiterhin die Neuigkeiten von Europeana Pro an und treten Sie der EuropeanaTech-Community bei, um sich an der Arbeit von Europeana zu beteiligen!