Ορισμοί και όροι για την ΤΝ
Η ορολογία της τεχνητής νοημοσύνης μπορεί να είναι πολύπλοκη, οπότε ας ξεκαθαρίσουμε μερικούς ορισμούς. Κατά την ανάγνωση των αναρτήσεών μας μπορεί να δείτε όρους όπως «μηχανική μάθηση», «βαθιά μάθηση», «μοντέλα» ή «κατάρτιση». Η μηχανική μάθηση έναντι της βαθιάς μάθησης είναι ένας κοινός χώρος σύγχυσης για όσους δεν είναι εξοικειωμένοι με τις τεχνικές τεχνητής νοημοσύνης.
Η μηχανική μάθηση αποτελείται από ένα σύνολο αλγορίθμων που μαθαίνουν αυτόματα από τα δεδομένα. Η βαθιά μάθηση είναι ένας τύπος μηχανικής μάθησης που υπερέχει στην επίλυση προβλημάτων με υψηλή διάσταση (όπου ο αριθμός των χαρακτηριστικών είναι πολύ μεγαλύτερος από τον αριθμό των παρατηρήσεων). Η υπολογιστική όραση και η επεξεργασία φυσικής γλώσσας εμπίπτουν σε αυτή την κατηγορία. Η βαθιά μάθηση χρησιμοποιεί μια οικογένεια μοντέλων εμπνευσμένων από τη δομή και τη λειτουργία του εγκεφάλου (τεχνητά νευρωνικά δίκτυα) που μαθαίνουν αποτελεσματικά να εξάγουν σχετικά χαρακτηριστικά από τα δεδομένα. Το αποτέλεσμα της εκπαίδευσης ενός αλγορίθμου μηχανικής μάθησης είναι ένα προγνωστικό «μοντέλο» που μπορεί να χρησιμοποιηθεί για τη δημιουργία πρόσθετων μεταδεδομένων από το περιεχόμενο.
Μέχρι τώρα όλοι γνωρίζουμε για τα μοντέλα δεδομένων, όπως το μοντέλο δεδομένων Europeana. Πρόκειται για έναν μηχανισμό που βοηθά τα ιδρύματα πολιτιστικής κληρονομιάς να δομούν μεταδεδομένα που σχετίζονται με αντικείμενα πολιτιστικής κληρονομιάς. Τι εννοούμε όμως όταν μιλάμε για ένα μοντέλο τεχνητής νοημοσύνης; Πρόκειται για έναν αλγόριθμο που έχει εκπαιδευτεί να εκτελεί μια συγκεκριμένη εργασία —για παράδειγμα, να προσδιορίζει αν βλέπει ένα μήλο ή ένα πορτοκάλι. Θα εκπαιδευτεί ώστε να αναζητά βασικά χαρακτηριστικά των μήλων και των πορτοκαλιών και αν είναι ακριβή ή όχι. Αυτό είναι ένα υποτυπώδες παράδειγμα, αλλά η αρχή είναι η ίδια με την κλιμάκωση - απλά απαιτεί πολύ περισσότερα δεδομένα.
Τεχνητή νοημοσύνη για την πολιτιστική κληρονομιά
Με το παράδειγμά μας για τα μήλα και τα πορτοκάλια, μπορείτε ήδη να αρχίσετε να φαντάζεστε πώς η ΤΝ είναι πολύτιμη για την πολιτιστική κληρονομιά. Η ΤΝ έχει την ικανότητα να παράγει εκτεταμένους όγκους δεδομένων που μπορούν να χρησιμοποιηθούν για τον εμπλουτισμό των συλλογών πολιτιστικής κληρονομιάς —γεγονός που διευκολύνει την εξερεύνησή τους, ώστε οι άνθρωποι να μπορούν να βρουν αυτό που αναζητούν, τα ινστιτούτα να μπορούν να συνδεθούν με άλλες συλλογές και πολλά άλλα.
Και δεδομένου ότι υπάρχουν ήδη τόσα πολλά ψηφιοποιημένα δεδομένα και υλικά πολιτιστικής κληρονομιάς που έχουν περιγραφεί από αξιόπιστους εμπειρογνώμονες στον τομέα της πολιτιστικής κληρονομιάς, η ποιότητα των δεδομένων είναι εξαιρετικά πολύτιμη. Για παράδειγμα, αντί να επιλέξετε 100.000 τυχαίους πίνακες από το διαδίκτυο και να εκπαιδεύσετε ένα μοντέλο εναντίον τους για να αναγνωρίσετε την «ιμπρεσιονιστική τέχνη», μπορείτε να χρησιμοποιήσετε υλικά πολιτιστικής κληρονομιάς που θα είναι ήδη σε θέση να δώσουν υποδείξεις και καθοδήγηση για την ακρίβεια. Ωστόσο, η ΤΝ εκτείνεται πέρα από τους πίνακες ζωγραφικής —εφαρμόζεται επί του παρόντος σε όλους τους τομείς του υλικού πολιτιστικής κληρονομιάς, από την τρισδιάστατη απεικόνιση, τον ήχο, το βίντεο και το κείμενο.
Τεχνητή νοημοσύνη και Europeana
Για την Europeana, οι δυνατότητες που έχει η τεχνητή νοημοσύνη για τη βελτίωση της ποιότητας των δεδομένων, ένα συνεχές σημείο πόνου για τους χρήστες συλλογής, θα μπορούσαν να προσφέρουν συναρπαστικές ευκαιρίες. Στη στρατηγική της Europeana για την περίοδο 2020-2025, η ΤΝ επισημαίνεται πολλές φορές ως μέσο για τον σκοπό της βελτίωσης της ποιότητας των δεδομένων. Το σχέδιο ορίζει τα εξής:
«Η χειρωνακτική βελτίωση της ποιότητας των μεταδεδομένων εκατομμυρίων εγγραφών από διαφορετικές πηγές απαιτεί τεράστιο χρόνο και πόρους. Η εφαρμογή εργαλείων τεχνητής νοημοσύνης και δικτύων μηχανικής μάθησης για αυτόματο εμπλουτισμό, σε συνδυασμό με τις ανθρώπινες γνώσεις που παρέχονται από εμπειρογνώμονες του τομέα, προσφέρει μια αξιοσημείωτη ευκαιρία για τη βελτίωση της ποιότητας των μεταδεδομένων.»
Αλλά με μεγάλη δύναμη, έρχεται μεγάλη ευθύνη. Η ΤΝ θέτει πολυάριθμες δεοντολογικές προκλήσεις που πρέπει να εξεταστούν προσεκτικά. Επί του παρόντος, υπάρχουν διάφορες πρωτοβουλίες σε ολόκληρη την Ευρώπη που εξετάζουν τις δεοντολογικές ανησυχίες της ΤΝ και η Europeana θα εργαστεί σύμφωνα με τις κατευθυντήριες γραμμές δεοντολογίας της Ευρωπαϊκής Επιτροπής για αξιόπιστη ΤΝ.
Τις προσεχείς εβδομάδες, θα ανταλλάξουμε δραστηριότητες, συμπεριλαμβανομένων των αποτελεσμάτων της τεχνητής νοημοσύνης EuropeanaTech σε σχέση με την ειδική ομάδα GLAM και την ανοικτή πρόκληση της ειδικής ομάδας για τη δημιουργία συνόλων δεδομένων μηχανικής μάθησης με βάση τα δεδομένα της Europeana, καθώς και για τη διερεύνηση έργων πολιτιστικής κληρονομιάς που σχετίζονται με την τεχνητή νοημοσύνη. Θα διαβάσετε για το έργο που επιτελείται εσωτερικά στο Ίδρυμα Europeana και, καθώς ο Μάρτιος είναι ο Μήνας Ιστορίας των Γυναικών, θα επισημάνουμε επίσης και θα πραγματοποιήσουμε συνεντεύξεις με γυναίκες που ηγούνται έργων και έρευνας στον τομέα της ΤΝ και στον τομέα της πολιτιστικής κληρονομιάς.
Συνεχίστε να ελέγχετε τα νέα της Europeana Pro για περισσότερα και συμμετάσχετε στην κοινότητα της EuropeanaTech για να συμμετάσχετε στο έργο της Europeana!