Definicje i terminy dotyczące sztucznej inteligencji
Terminologia AI może być złożona, więc wyjaśnijmy kilka definicji. Czytając nasze posty, możesz zobaczyć terminy takie jak „uczenie się maszyn”, „głębokie uczenie się”, „modele” lub „szkolenie”. Uczenie maszynowe vs głębokie uczenie się jest powszechnym obszarem nieporozumień dla osób nieznających technik sztucznej inteligencji.
Uczenie maszynowe składa się z zestawu algorytmów, które automatycznie uczą się na podstawie danych. Głębokie uczenie się jest rodzajem uczenia maszynowego, które wyróżnia się w rozwiązywaniu problemów o wysokiej wymiarowości (gdzie liczba funkcji jest znacznie większa niż liczba obserwacji). Komputerowe widzenie i przetwarzanie języka naturalnego należą do tej kategorii. Głębokie uczenie się wykorzystuje rodzinę modeli inspirowanych strukturą i funkcjonowaniem mózgu (sztuczne sieci neuronowe), które skutecznie uczą się wydobywać odpowiednie cechy z danych. Rezultatem szkolenia algorytmu uczenia maszynowego jest predykcyjny "model", który można wykorzystać do generowania dodatkowych metadanych z treści.
Do tej pory wszyscy wiemy o modelach danych, takich jak Europeana Data Model. Są one mechanizmem, który pomaga instytucjom dziedzictwa strukturyzować metadane związane z obiektami dziedzictwa. Ale co mamy na myśli, gdy mówimy o modelu AI? Jest to algorytm, który został przeszkolony do wykonania określonego zadania – na przykład do ustalenia, czy widzi jabłko, czy pomarańczę. Zostanie przeszkolony w zakresie poszukiwania kluczowych cech jabłek i pomarańczy oraz tego, czy są one dokładne, czy nie. Jest to podstawowy przykład, ale zasada jest taka sama, jak w przypadku skalowania - wymaga po prostu dużo więcej danych.
Sztuczna inteligencja na rzecz dziedzictwa kulturowego
Dzięki naszemu przykładowi jabłek i pomarańczy możesz już zacząć wyobrażać sobie, w jaki sposób sztuczna inteligencja jest cenna dla dziedzictwa kulturowego. Sztuczna inteligencja może generować obszerne ilości danych, które można wykorzystać do wzbogacenia zbiorów dziedzictwa kulturowego – ułatwiając ich eksplorację, dzięki czemu ludzie mogą znaleźć to, czego szukają, instytuty mogą łączyć się z innymi kolekcjami i wiele więcej.
A ponieważ istnieje już tak wiele zdigitalizowanych danych i materiałów dotyczących dziedzictwa kulturowego, które zostały opisane przez zaufanych ekspertów ds. dziedzictwa, jakość danych jest niezwykle cenna. Na przykład zamiast wybierać 100 000 losowych obrazów z internetu i szkolić model przeciwko nim, aby rozpoznać „sztukę impresjonistyczną”, można użyć materiałów dziedzictwa, które będą już w stanie dać wskazówki i wskazówki dotyczące dokładności. Sztuczna inteligencja wykracza jednak poza obrazy – jest obecnie wdrażana we wszystkich obszarach materiałów dziedzictwa kulturowego, począwszy od obrazowania 3D, dźwięku, wideo i tekstu.
Sztuczna inteligencja i Europeana
W przypadku Europeany potencjał sztucznej inteligencji w zakresie poprawy jakości danych, która jest stałym bolesnym punktem dla użytkowników gromadzących dane, może oferować ekscytujące możliwości. W strategii Europeana na lata 2020–2025 sztuczna inteligencja jest wielokrotnie podkreślana jako środek służący poprawie jakości danych. W planie stwierdza się:
„Ręczna poprawa jakości metadanych milionów rekordów z różnych źródeł wymaga ogromnej ilości czasu i zasobów. Zastosowanie narzędzi sztucznej inteligencji i sieci uczenia maszynowego do automatycznego wzbogacania, w połączeniu z wiedzą ludzką dostarczaną przez ekspertów w danej dziedzinie, stanowi niezwykłą okazję do poprawy jakości metadanych”.
Ale z wielką mocą przychodzi wielka odpowiedzialność. Sztuczna inteligencja wiąże się z licznymi wyzwaniami etycznymi, które należy dokładnie rozważyć. Obecnie w całej Europie istnieje kilka inicjatyw dotyczących kwestii etycznych związanych ze sztuczną inteligencją, a Europeana będzie działać zgodnie z wytycznymi Komisji Europejskiej dotyczącymi etyki w odniesieniu do godnej zaufania sztucznej inteligencji.
W nadchodzących tygodniach będziemy dzielić się działaniami, w tym wynikami EuropeanaTech AI w odniesieniu do grupy zadaniowej GLAM oraz otwartym wyzwaniem grupy zadaniowej w zakresie tworzenia zbiorów danych dotyczących uczenia maszynowego w oparciu o dane Europeany, a także badać projekty dziedzictwa kulturowego związane ze sztuczną inteligencją. Przeczytasz o pracy odbywającej się wewnętrznie w Fundacji Europeana, a ponieważ marzec jest Miesiącem Historii Kobiet, będziemy również podkreślać i przeprowadzać wywiady z kobietami, które prowadzą projekty i badania w dziedzinie sztucznej inteligencji i sektora dziedzictwa kulturowego.
Dowiedz się więcej o Europeana Pro i dołącz do społeczności EuropeanaTech, aby zaangażować się w prace Europeany!