A mesterséges intelligenciára vonatkozó fogalommeghatározások és kifejezések
A mesterséges intelligencia terminológiája összetett lehet, ezért tisztázzunk néhány meghatározást. Bejegyzéseink olvasása során olyan kifejezéseket láthat, mint a „gépi tanulás”, a „mélytanulás”, a „modellek” vagy a „képzés”. A gépi tanulás vs. a mélytanulás gyakori zavaros terület azok számára, akik nem ismerik a mesterségesintelligencia-technikákat.
A gépi tanulás olyan algoritmusokból áll, amelyek automatikusan tanulnak az adatokból. A mélytanulás a gépi tanulás olyan típusa, amely kiválóan alkalmas a nagy dimenziójú problémák megoldására (ahol a funkciók száma sokkal nagyobb, mint a megfigyelések száma). A számítógépes látás és a természetes nyelvi feldolgozás ebbe a kategóriába tartozik. A mély tanulás olyan modellek családját használja, amelyeket az agy szerkezete és működése ihletett (mesterséges neurális hálózatok), amelyek hatékonyan megtanulják kivonni a releváns jellemzőket az adatokból. A gépi tanulási algoritmus képzésének eredménye egy prediktív "modell", amely felhasználható további metaadatok létrehozására a tartalomból.
Mostanra már mindannyian ismerjük az adatmodelleket, például az Europeana adatmodellt. Ezek olyan mechanizmusok, amelyek segítik az örökségvédelmi intézményeket az örökségi tárgyakkal kapcsolatos metaadatok strukturálásában. De mit jelent az, hogy MI-modellről beszélünk? Ez egy algoritmus, amelyet egy bizonyos feladat elvégzésére képeztek ki – például annak meghatározására, hogy egy almát vagy egy narancsot lát-e. Kiképzést kap az alma és a narancs legfontosabb jellemzőinek felkutatására, valamint arra, hogy az alma és a narancs pontos-e vagy sem. Ez egy kezdetleges példa, de az elv ugyanaz, mint a skálázás - csak sokkal több adatot igényel.
MI a kulturális örökség szolgálatában
Az almára és a narancsra vonatkozó példánkkal már most elkezdheti elképzelni, hogy a mesterséges intelligencia mennyire értékes a kulturális örökség szempontjából. A mesterséges intelligencia képes arra, hogy nagy mennyiségű adatot állítson elő, amelyek felhasználhatók az örökségi gyűjtemények gazdagítására – megkönnyítve azok feltárását, hogy az emberek megtalálhassák, amit keresnek, az intézmények kapcsolatba léphessenek más gyűjteményekkel és még sok mással.
És mivel már olyan sok digitalizált kulturális örökségi adat és anyag létezik, amelyeket megbízható örökségi szakértők írtak le, az adatok minősége rendkívül értékes. Például ahelyett, hogy 100 000 véletlenszerű festményt választana ki az internetről, és modellt tanítana ellenük az „impresszionista művészet” felismerésére, olyan örökségi anyagokat használhat, amelyek már képesek tippeket és útmutatást adni a pontossághoz. A mesterséges intelligencia azonban túlmutat a festményeken – jelenleg a kulturális örökség részét képező anyagok valamennyi területén alkalmazzák, a 3D-s képalkotástól kezdve a hang-, video- és szövegalkotásig.
A mesterséges intelligencia és az Europeana
Az Europeana számára izgalmas lehetőségeket kínálhat az, hogy a mesterséges intelligencia javíthatja az adatminőséget, ami folyamatos fájdalompontot jelent a gyűjtemények felhasználói számára. A 2020–2025 közötti időszakra szóló Europeana stratégia többször is kiemeli a mesterséges intelligenciát mint az adatminőség javításának eszközét. A terv kimondja:
„A különböző forrásokból származó több millió rekord metaadat-minőségének manuális javítása hatalmas időt és erőforrásokat igényel. A mesterségesintelligencia-eszközök és a gépi tanulási hálózatok automatikus gazdagítás céljából történő alkalmazása a terület szakértői által biztosított emberi tudással kombinálva figyelemre méltó lehetőséget kínál a metaadatok minőségének javítására.”
De nagy hatalommal nagy felelősség jár. A mesterséges intelligencia számos etikai kihívást jelent, amelyeket alaposan figyelembe kell venni. Jelenleg Európa-szerte számos kezdeményezés foglalkozik a mesterséges intelligencia etikai aggályaival, és az Europeana az Európai Bizottság megbízható mesterséges intelligenciára vonatkozó etikai iránymutatásaival összhangban fog működni.
Az elkövetkező hetekben megosztjuk a tevékenységeket, többek között az EuropeanaTech mesterséges intelligenciával kapcsolatos eredményeit a GLAM-munkacsoporttal kapcsolatban, valamint a munkacsoport nyílt kihívását az Europeana adatain alapuló gépi tanulási adatkészletek létrehozása, valamint a mesterséges intelligenciával kapcsolatos kulturális örökséggel kapcsolatos projektek feltárása tekintetében. Olvasson az Europeana Alapítványon belül folyó munkáról, és mivel március a nők történelmének hónapja, kiemeljük azokat a nőket, akik a mesterséges intelligencia és a kulturális örökség ágazata területén vezető projekteket és kutatásokat folytatnak, és interjúkat készítünk velük.
Ha többet szeretne megtudni az Europeana Pro híreiről, csatlakozzon az EuropeanaTech közösségéhez, és vegyen részt az Europeana munkájában!