نگاهی به نقش یادگیری ماشین در فرایند آرشیوسازی؛ وقتی فناوری‌ها حافظه می‌سازند
آشکار شدن قدرت AI
وینترز از همان اوایل کار خود، پتانسیل هوش مصنوعی را برای مجموعه‌های میراث فرهنگی تشخیص داد. این امر امکان خوانش مقیاس‌پذیر از مجموعه‌ها را فراهم کرده و تجزیه‌وتحلیل در مقیاس را با رویکردهای کیفی‌تر که به تخصص انسانی نیاز دارد، ترکیب می‌کند.»
متون دست‌نویس و پردازش زبان طبیعی
دو فناوری هوش مصنوعی برای متخصصان GLAMS بسیار ارزشمندند: تشخیص متن دست‌نویس (HTR) یا Handwritten Text Recognition و پردازش زبان طبیعی (NLP) یا Natural Language Processing. او دراین‌باره می‌گوید: «شبکه لینک‌ها بین گروه موزه علوم، موزه ویکتوریا و آلبرت و همچنین ویکی‌داده (Wikidata) در یک نمودار دانش باز، ساختار یافته بود که به ما امکان می‌دهد مجموعه‌ها را به روش‌های کاملاً جدیدی تجسم و کاوش کنیم.»
نگرانی‌های اخلاقی
در حالی که هوش مصنوعی نویدهای بسیار زیادی برای ما دارد، اما بدون چالش هم نیست. وجود تخصص انسانی برای تفسیر نتایج و اتخاذ تصمیمات اخلاقی ضروری باقی می‌ماند.»
چشم‌اندازی برای آینده
به‌رغم چالش‌ها، وینترز به آینده هوش مصنوعی در GLAMS خوش‌بین است.
همان‌طور که هوش مصنوعی همچنان به انقلاب و ایجاد تغییر در زمینه‌های مختلف ادامه می‌دهد، کاربردهای آن در بخش میراث فرهنگی، به‌ویژه برای آرشیوها و مجموعه‌های ویژه، با سرعت شگفت‌انگیزی در حال پیشرفت است. برای متخصصان GLAMS (galleries, libraries, archives, and museums) (مخفف گالری‌ها، کتابخانه‌ها، آرشیوها و موزه‌ها که به موسسات فرهنگی با ماموریت دسترسی به دانش اشاره دارد)، این فناوری‌ها فرصت‌های دگرگون‌کننده‌ای را برای رشد ارائه می‌دهند. البته اگر بتوانیم بر چالش‌های پذیرش، اخلاقیات و توسعه مهارت‌ها غلبه کنیم.
پروفسور جین وینترز (Jane Winters)، محقق علوم انسانی دیجیتال در دانشگاه لندن، در خط مقدم بررسی این موضوع بوده است که چگونه هوش مصنوعی و یادگیری ماشینی می‌توانند نحوه تعامل ما با مجموعه‌های آرشیوی را تغییر دهند. پس از اتمام دوره دکتری وینترز در رشته تاریخ در کالج کینگ لندن (King’s College)، او به تیم انتشارات دیجیتالی موسسه تحقیقات تاریخی پیوست و در نهایت به عنوان استاد علوم انسانی دیجیتال در دانشکده مطالعات پیشرفته مشغول به کار شد.
در حال حاضر، وینترز روی پروژه‌های مختلفی کار می‌کند که شامل کتابخانه‌ها، آرشیوها و موزه‌ها می‌شود و بر این تمرکز دارد که چگونه ابزارهای دیجیتالی می‌توانند به تجزیه‌وتحلیل متریال دیجیتالی در مقیاس کمک کنند. این هم شامل متریال دیجیتالی‌شده مانند دست‌نوشته‌ها می‌شود و هم اقلامی مانند وب‌سایت‌ها و عکس‌های دیجیتال را دربر می‌گیرد که از ابتدا به صورت دیجیتالی تولید می‌شوند.
در این مطلب به نقل از وینترز، بینش‌هایی درباره اینکه چگونه هوش مصنوعی رویه‌های آرشیوی را تغییر می‌دهد به دست می‌دهیم. به‌علاوه توضیح می‌دهیم که چرا متخصصان GLAMS باید از این ابزارهای نوظهور استفاده کنند تا فعالیت درستی داشته باشند.
آشکار شدن قدرت AI
وینترز از همان اوایل کار خود، پتانسیل هوش مصنوعی را برای مجموعه‌های میراث فرهنگی تشخیص داد. او توضیح می‌دهد: «بسیاری از پروژه‌های دیجیتالی که من روی آنها کار کرده‌ام شامل همکاری با موسسات میراث فرهنگی یعنی کتابخانه‌ها، بایگانی‌ها و اخیراً موزه‌ها بوده است. هوش مصنوعی برای مرتب کردن، کاوش و به تصویر درآوردن مجموعه‌های آرشیوی و خاص ضروری است، به‌ویژه با آرشیوهای دیجیتالی متولدشده (born-digital archives) مانند فضای وب بریتانیا که بسیار وسیع هستند. ما برای تعامل و تفسیر این مجموعه‌ها به روش‌های محاسباتی متکی هستیم.»
به گفته وینترز، در حال حاضر هوش مصنوعی بر آرشیوها تاثیر عمیقی دارد. او می‌گوید: «هوش مصنوعی ممکن است برای تولید ابرداده (metadata) برای مجموعه‌های فهرست‌نشده، کپی کردن اطلاعات، یا رونویسی متریال دست‌نویس دیجیتالی استفاده شود. این امر امکان خوانش مقیاس‌پذیر از مجموعه‌ها را فراهم کرده و تجزیه‌وتحلیل در مقیاس را با رویکردهای کیفی‌تر که به تخصص انسانی نیاز دارد، ترکیب می‌کند.»
متون دست‌نویس و پردازش زبان طبیعی
دو فناوری هوش مصنوعی برای متخصصان GLAMS بسیار ارزشمندند: تشخیص متن دست‌نویس (HTR) یا Handwritten Text Recognition و پردازش زبان طبیعی (NLP) یا Natural Language Processing. وینترز می‌گوید: «HTR این پتانسیل را دارد که دسترسی به مجموعه‌های دست‌نوشته را به روشی که تشخیص کاراکتر نوری (OCR) یا Optical Character Recognition برای متون چاپی دیجیتالی انجام می‌دهد، ارائه کند. برای مثال، Transkribus به کاربران امکان آموزش مدل‌های AI سفارشی برای انواع سند یا اسکریپت‌های خاص را می‌دهد. این دستاورد به خصوص برای مجموعه‌های ماقبل مدرن (pre-modern) یک پیشرفت هیجان‌انگیز است.»
NLP، که به طور خودکار افراد، مکان‌ها و مفاهیم را در متن بدون ساختار شناسایی می‌کند، یکی دیگر از ابزارهای حیاتی است. وینترز توضیح می‌دهد: «NLP به ما امکان می‌دهد تا مطالب آرشیوی را به روش‌های جدید، از جمله ورودی خودکار کاتالوگ (catalog entries themselves)، بررسی کنیم. با کمک هوش مصنوعی، کاتالوگ‌های آرشیوی به منابع اولیه برای درک محتوای مجموعه‌های میراث فرهنگی تبدیل می‌شوند.»
یکی از پروژه‌های وینترز، Heritage Connector، از هوش مصنوعی برای برقراری ارتباط در مقیاس بین رکوردهای مجموعه در گروه موزه علوم و سایر موسسات استفاده کرد. او دراین‌باره می‌گوید: «شبکه لینک‌ها بین گروه موزه علوم، موزه ویکتوریا و آلبرت و همچنین ویکی‌داده (Wikidata) در یک نمودار دانش باز، ساختار یافته بود که به ما امکان می‌دهد مجموعه‌ها را به روش‌های کاملاً جدیدی تجسم و کاوش کنیم.»
نگرانی‌های اخلاقی
در حالی که هوش مصنوعی نویدهای بسیار زیادی برای ما دارد، اما بدون چالش هم نیست. وینترز خاطرنشان می‌کند یکی از مسائل، پذیرش آهسته ابزارهای هوش مصنوعی در موسسات GLAMS است که اغلب با محدودیت‌های منابع و شکاف‌های توسعه حرفه‌ای دست‌وپنجه نرم می‌کنند. اگر موسسات GLAMS می‌خواهند از هوش مصنوعی بهره ببرند و استفاده مسئولانه از آن را برای میراث فرهنگی شکل دهند، سرمایه‌گذاری پایدار در افراد و فناوری ضروری است.
استفاده اخلاقی از هوش مصنوعی هم یک نگرانی اصلی محسوب می‌شود. او اذعان می‌کند: «جعبه‌های سیاه [AI] شفافیت را دشوار می‌کند. اما موسسات GLAMS می‌توانند برای کاهش سوگیری‌ها، فرایندهای تصمیم‌گیری، انتخاب داده‌ها و استفاده از ابزار را مستند کنند.» ملاحظات اخلاقی درباره حریم خصوصی داده‌ها و خطر جایگزینی تخصص انسانی با هوش مصنوعی هم بسیار زیاد است. وینترز تاکید می‌کند: «در این زمینه انسان‌ها در مقابل ماشین‌ها نیستند، بلکه انسان‌ها و ماشین‌ها با هم کار می‌کنند. وجود تخصص انسانی برای تفسیر نتایج و اتخاذ تصمیمات اخلاقی ضروری باقی می‌ماند.»
چشم‌اندازی برای آینده
به‌رغم چالش‌ها، وینترز به آینده هوش مصنوعی در GLAMS خوش‌بین است. او می‌گوید: «هوش مصنوعی مولد، در آنچه برای کاربرد هوش مصنوعی در میراث فرهنگی امکان‌پذیر است یک تغییر گام نشان داده است. توسعه بینایی کامپیوتر (computer vision) و توانایی لینک کردن مجموعه‌های تصاویر، به راحتیِ لینک کردن منابع مبتنی بر متن، امکانات هیجان‌انگیزی را برای متخصصان GLAMS ارائه می‌دهد.»
با این حال، او کاربران را به احتیاط هم توصیه می‌کند: «ما بابت ارزیابی ارزش واقعی هوش مصنوعی مولد برای موسسات میراث فرهنگی به زمان نیاز داریم. گفته می‌شود برخی از فناوری‌ها، مانند HTR و NLP، به‌سرعت در حال رشد هستند و دقت را به میزانی افزایش می‌دهند که نگرانی‌ها کم‌‌کم از بین می‌رود.»
برای حرفه‌ای‌هایی که هنوز در استفاده از هوش مصنوعی مردد هستند، وینترز توصیه‌های عملی ارائه می‌کند: «از اندازه کوچک شروع کنید. کارکنان را با آموزش و توسعه حرفه‌ای توانمند و یک جامعه عملی با اهداف مشترک ایجاد کنید. گاهی بهترین چیز این است که بدانید چه زمانی به هوش مصنوعی نیاز است و چه زمانی لازم نیست.»
گام بعدی حیاتی
پیام برای متخصصان GLAMS روشن است: هوش مصنوعی از بین نمی‌رود و اگر موسسات از پتانسیل آن استقبال نکنند، با خطرات زیادی مواجه می‌شوند. وینترز هشدار می‌دهد: «[موسسات GLAMS] مسئول داده‌های باکیفیت هستند که می‌توانند برای توسعه مدل‌های زبانی بزرگ (large language models) با در نظر گرفتن شفافیت و درستی استفاده شوند. بدون مشارکت این موسسات، تصمیم‌ها در مورد کاربرد هوش مصنوعی در میراث فرهنگی بدون دیدگاه‌های ارزشمندشان اتخاذ خواهد شد.»
همکاری بین هوش مصنوعی و تخصص انسانی می‌تواند نحوه تعامل ما با گذشته را تغییر دهد و درهای جدیدی را به روی تحقیق، دسترسی و حفاظت باز کند. همان‌طور که هوش مصنوعی به تکامل خود ادامه می‌دهد، ضروری است که متخصصان GLAMS متعهد و مجهز بمانند تا در این دنیای جدید و جسور میراث فرهنگی، رهبری را بر عهده بگیرند.
منبع: کلیر
