Definities en termen voor AI
AI-terminologie kan complex zijn, dus laten we enkele definities ophelderen. Tijdens het lezen van onze berichten ziet u mogelijk termen als “machine learning”, “deep learning”, “modellen” of “training”. Machine learning versus deep learning is een veelvoorkomend gebied van verwarring voor mensen die niet bekend zijn met AI-technieken.
Machine learning bestaat uit een reeks algoritmen die automatisch leren van data. Deep learning is een vorm van machine learning die uitblinkt in het oplossen van problemen met een hoge dimensionaliteit (waarbij het aantal functies veel groter is dan het aantal waarnemingen). Computervisie en natuurlijke taalverwerking vallen onder deze categorie. Deep learning maakt gebruik van een familie van modellen geïnspireerd door de structuur en het functioneren van de hersenen (kunstmatige neurale netwerken) die effectief leren om relevante functies uit de gegevens te extraheren. Het resultaat van het trainen van een machine learning-algoritme is een voorspellend 'model' dat kan worden gebruikt om extra metadata uit inhoud te genereren.
Inmiddels zijn we allemaal op de hoogte van datamodellen, zoals het Europeana Data Model. Ze zijn een mechanisme dat erfgoedinstellingen helpt bij het structureren van metadata met betrekking tot erfgoedobjecten. Maar wat bedoelen we als we het hebben over een AI-model? Het is een algoritme dat is getraind om een bepaalde taak uit te voeren, bijvoorbeeld om te bepalen of het een appel of een sinaasappel ziet. Het zal worden opgeleid om te zoeken naar de belangrijkste kenmerken van appels en sinaasappelen en of deze al dan niet nauwkeurig zijn. Dit is een rudimentair voorbeeld, maar het principe is hetzelfde als je opschaalt - het vereist gewoon veel meer gegevens.
AI voor cultureel erfgoed
Met ons voorbeeld van appels en sinaasappels kun je je al voorstellen hoe waardevol AI is voor cultureel erfgoed. AI heeft de capaciteit om grote hoeveelheden gegevens te genereren die kunnen worden gebruikt om erfgoedcollecties te verrijken, waardoor ze gemakkelijker te verkennen zijn, zodat mensen kunnen vinden wat ze zoeken, instituten kunnen koppelen aan andere collecties en nog veel meer.
En aangezien er al zoveel gedigitaliseerde cultureel erfgoedgegevens en -materialen zijn die door vertrouwde erfgoedexperts zijn beschreven, is de kwaliteit van de gegevens uiterst waardevol. In plaats van bijvoorbeeld 100 000 willekeurige schilderijen van internet te plukken en er een model tegen te trainen om “impressionistische kunst” te herkennen, kunt u erfgoedmaterialen gebruiken die al hints en richtsnoeren voor nauwkeurigheid kunnen geven. Maar AI gaat verder dan schilderijen – het wordt momenteel toegepast op alle gebieden van cultureel erfgoedmateriaal, van 3D-beeldvorming, geluid, video en tekst.
AI en Europeana
Voor Europeana kan het potentieel van AI voor het verbeteren van de gegevenskwaliteit, een continu pijnpunt voor gebruikers van verzamelingen, interessante kansen bieden. In de Europeana-strategie 2020-2025 wordt AI meermaals benadrukt als middel om een einde te maken aan de verbetering van de gegevenskwaliteit. In het plan staat:
“Het handmatig verbeteren van de metadatakwaliteit van miljoenen records uit verschillende bronnen vergt enorm veel tijd en middelen. De toepassing van artificiële-intelligentie-instrumenten en machinaal lerende netwerken voor automatische verrijking, in combinatie met menselijke kennis van domeindeskundigen, biedt een opmerkelijke kans om de kwaliteit van metagegevens te verbeteren.”
Maar met grote macht komt grote verantwoordelijkheid. AI brengt tal van ethische uitdagingen met zich mee die zorgvuldig moeten worden overwogen. Er zijn momenteel verschillende initiatieven in heel Europa die de ethische bezwaren van AI onderzoeken en Europeana zal werken in overeenstemming met de ethische richtsnoeren van de Europese Commissie voor betrouwbare AI.
In de komende weken zullen we activiteiten delen, waaronder de resultaten van de EuropeanaTech AI met betrekking tot de GLAM-taskforce en de open uitdaging van de taskforce voor het creëren van datasets voor machinaal leren op basis van Europeana-gegevens, en zullen we projecten op het gebied van cultureel erfgoed met betrekking tot AI verkennen. Je leest over werk dat intern bij de Europeana Foundation gebeurt, en aangezien maart de maand van de vrouwengeschiedenis is, zullen we ook vrouwen die projecten en onderzoek op het gebied van AI en de sector cultureel erfgoed leiden, onder de aandacht brengen en interviewen.
Blijf Europeana Pro-nieuws controleren voor meer informatie en sluit u aan bij de EuropeanaTech-gemeenschap om deel te nemen aan het werk van Europeana!