MI definīcijas un termini
Mākslīgā intelekta terminoloģija var būt sarežģīta, tāpēc noskaidrosim dažas definīcijas. Lasot mūsu ierakstus, jūs varētu redzēt tādus terminus kā “mašīnmācīšanās”, “dziļā mācīšanās”, “modeļi” vai “apmācība”. Mašīnmācīšanās salīdzinājumā ar dziļo mācīšanos ir izplatīta neskaidrību joma tiem, kuri nepārzina MI metodes.
Mašīnmācīšanās sastāv no algoritmu kopuma, kas automātiski mācās no datiem. Dziļā mācīšanās ir mašīnmācīšanās veids, kas izceļas, risinot problēmas ar augstu dimensiju (kur funkciju skaits ir daudz lielāks nekā novērojumu skaits). Šajā kategorijā ietilpst datorredze un dabiskās valodas apstrāde. Dziļā mācīšanās izmanto modeļu saimi, kuras pamatā ir smadzeņu struktūra un darbība (mākslīgie neironu tīkli), kas efektīvi iemācās no datiem izgūt attiecīgās iezīmes. Mašīnmācīšanās algoritma apmācības rezultāts ir prognozējošs "modelis", ko var izmantot, lai no satura ģenerētu papildu metadatus.
Tagad mēs visi zinām par datu modeļiem, piemēram, Europeana datu modeli. Tie ir mehānisms, kas palīdz mantojuma iestādēm strukturēt metadatus, kas saistīti ar mantojuma objektiem. Bet ko mēs domājam, kad runājam par MI modeli? Tas ir algoritms, kas ir apmācīts veikt noteiktu uzdevumu, piemēram, noteikt, vai tas redz ābolu vai apelsīnu. Tā tiks apmācīta meklēt ābolu un apelsīnu galvenās īpašības un to, vai tās ir precīzas vai nē. Tas ir rudimentārs piemērs, bet princips ir tāds pats kā jūs palielināt - tas vienkārši prasa daudz vairāk datu.
Mākslīgais intelekts kultūras mantojumam
Ar mūsu ābolu un apelsīnu piemēru jūs jau varat sākt iedomāties, cik vērtīgs kultūras mantojumam ir mākslīgais intelekts. Mākslīgais intelekts spēj ģenerēt lielu datu apjomu, ko var izmantot, lai bagātinātu mantojuma kolekcijas, atvieglojot to izpēti, lai cilvēki varētu atrast meklēto, institūti varētu sasaistīties ar citām kolekcijām un vēl daudz ko citu.
Tā kā jau ir tik daudz digitalizētu kultūras mantojuma datu un materiālu, kurus ir aprakstījuši uzticami kultūras mantojuma eksperti, datu kvalitāte ir ārkārtīgi vērtīga. Piemēram, tā vietā, lai no interneta izvēlētos 100 000 nejaušu gleznu un apmācītu modeli pret tām, lai atpazītu “impresionisma mākslu”, jūs varat izmantot mantojuma materiālus, kas jau spēs dot padomus un norādījumus par precizitāti. Taču mākslīgais intelekts neaprobežojas tikai ar gleznām — tas pašlaik tiek īstenots visās kultūras mantojuma materiālu jomās, sākot no 3D attēlveidošanas, skaņas, video un teksta.
Mākslīgais intelekts un Europeana
Europeana uzskata, ka MI potenciāls uzlabot datu kvalitāti, kas vākšanas lietotājiem ir nepārtraukts sāpju punkts, varētu pavērt aizraujošas iespējas. Stratēģijā Europeana 2020.–2025. gadam mākslīgais intelekts ir vairākkārt uzsvērts kā līdzeklis datu kvalitātes uzlabošanai. Plānā ir noteikts:
“Miljoniem ierakstu no dažādiem avotiem metadatu kvalitātes manuālai uzlabošanai ir vajadzīgs milzīgs laiks un resursi. Mākslīgā intelekta rīku un mašīnmācīšanās tīklu izmantošana automātiskai bagātināšanai apvienojumā ar jomas ekspertu sniegtajām cilvēku zināšanām sniedz ievērojamu iespēju uzlabot metadatu kvalitāti.”
Bet ar lielu spēku, nāk liela atbildība. Mākslīgais intelekts rada daudzas ētiskas problēmas, kas ir rūpīgi jāapsver. Pašlaik visā Eiropā ir vairākas iniciatīvas, kurās aplūkotas MI ētiskās problēmas, un Europeana darbosies saskaņā ar Eiropas Komisijas Ētikas pamatnostādnēm uzticamam MI.
Tuvākajās nedēļās mēs kopīgosim pasākumus, tostarp EuropeanaTech AI rezultātus saistībā ar GLAM darba grupu un darba grupas neatrisināto uzdevumu izveidot mašīnmācīšanās datu kopas, pamatojoties uz Europeana datiem, kā arī izpētīsim kultūras mantojuma projektus, kas saistīti ar MI. Lasiet par darbu, kas notiek Europeana fondā, un, tā kā marts ir Sieviešu vēstures mēnesis, mēs arī izcelsim un intervēsim sievietes, kuras vada projektus un pētniecību MI un kultūras mantojuma jomā.
Turpiniet uzzināt vairāk par Europeana Pro jaunumiem un pievienojieties EuropeanaTech kopienai, lai iesaistītos Europeana darbā!