دایناسورهای به نمایش گذاشته شده، ماهی‌ها در قاب شیشه‌ای، پرندگان، بقایای انسانی، مصنوعات باستانی از تمدن‌های قدیمی که کمتر کسی آنها را دیده است و دیگر موارد، همگی مجموعه‌های درون موزه محسوب می‌شوند. این مجموعه‌ها گنجینه‌هایی هستند که تاریخ طبیعی و انسانی سیاره زمین را بازگو و به دانشمندان در زمینه‌های مختلفی مانند زمین‌شناسی، دیرینه‌شناسی، انسان‌شناسی و موارد دیگر کمک می‌کنند. آنچه در بازدید از موزه مشاهده می‌کنید، فقط بخش کوچکی از شگفتی‌های موجود در مجموعه آنهاست.

موزه‌ها عموما می‌خواهند محتوای مجموعه‌های خود را چه به‌صورت فیزیکی و چه به‌صورت دیجیتالی در دسترس دانشمندان، محققان و دیگران قرار دهند، با این حال، کارکنان هر مجموعه روش خاص خود را برای سازماندهی داده‌ها دارند، بنابراین بررسی این مجموعه‌ها می‌تواند چالش‌برانگیز باشد. ایجاد، سازماندهی و توزیع نسخه‌های دیجیتالی نمونه‌های موزه یا اطلاعات مربوط به اقلام فیزیکی در یک مجموعه نیاز به مقادیر باورنکردنی از داده‌ها دارد و این داده‌ها می‌توانند به مدل‌های یادگیری ماشین یا سایر هوش مصنوعی برای پاسخ به سوالات بزرگ کمک کنند.

در حال حاضر، حتی در حوزه تحقیقاتی واحد، یافتن داده‌های مناسب نیاز به پیمایش منابع مختلف دارد. هوش مصنوعی می‌تواند به سازماندهی مقادیر زیادی از داده‌ها از مجموعه‌های مختلف کمک کند و اطلاعات را برای پاسخ به سوالات خاص استخراج کند، اما استفاده از هوش مصنوعی راه‌حل کامل و جامعی نیست. مجموعه‌ای از شیوه‌ها و سیستم‌های مشترک برای مدیریت داده‌ها بین موزه‌ها می‌تواند جمع‌آوری و اشتراک‌گذاری داده‌های لازم برای هوش مصنوعی را برای انجام کار خود بهبود بخشد. این شیوه‌ها می‌توانند به انسان‌ها و ماشین‌ها کمک کنند تا اکتشافات جدیدی انجام دهند.

ابزارهای هوش مصنوعی می‌توانند کارهای شگفت‌انگیزی مانند ساخت مدل‌های سه‌بعدی از نسخه‌های دیجیتالی اقلام موجود در مجموعه‌های موزه انجام دهند اما فقط در صورتی که داده‌های سازماندهی‌شده کافی در مورد آنها  موجود باشد. برای اینکه دریابیم هوش مصنوعی چگونه می‌تواند به مجموعه‌های موجود در موزه کمک کند، محققان  با تشکیل گروه‌های متمرکز با افرادی که مجموعه‌های موزه را مدیریت می‌کردند، کار خود را آغاز کردند و در ادامه نتایج و روش بررسی در این تحقیق ذکر شده است.

مدیران مجموعه، وقتی شی جدید وارد مجموعه موزه می‌شود، ویژگی‌های آن شی را توصیف و داده‌هایی در مورد آن تولید می‌کنند. این داده‌ها که «فراداده» نامیده می‌شوند، به دیگران اجازه می‌دهند از آنها استفاده کنند و ممکن است شامل مواردی مانند نام گردآورنده، موقعیت جغرافیایی و زمان جمع‌آوری آن شی باشد و اگر شی در بخش نمونه‌های زمین‌شناسی جای گیرد، دوره زمانی که به آن تعلق دارد بررسی خواهد شد. نمونه‌هایی از حیوان یا گیاه نیز ممکن است شامل طبقه‌بندی شود که بر اساس مجموعه‌ای از نام‌های لاتین است. در مجموع، این اطلاعات به حجم عظیمی از داده‌ها می‌افزاید و ترکیب داده‌ها در حوزه‌های مختلف با استانداردهای مختلف واقعا دشوار است. خوشبختانه، مدیران مجموعه‌ها در تلاش هستند تا فرآیندهای خود را در بخش‌های مختلف و برای انواع مختلف نمونه‌ها استانداردسازی کنند. کمک‌های مالی به جوامع علمی کمک کرده است تا ابزارهایی برای استانداردسازی بسازند.

سایت کنورسیشن گزارش کرد، در مجموعه‌های بیولوژیکی، ابزاری به نام Specify به مدیران اجازه می‌دهد تا به سرعت نمونه‌ها را با استفاده از منوهای کشویی که از قبل با استانداردهای طبقه‌بندی و سایر پارامترها تکمیل شده‌اند، طبقه‌بندی کنند تا نمونه‌های ورودی را به‌طور مداوم توصیف کنند. استاندارد فراداده رایج در زیست‌شناسی نیز Darwin Core است. فراداده‌ها و ابزارهای مشابه و رایج در تمام علوم وجود دارند تا قرار گرفتن آنها در یک ماشین را تا حد امکان آسان کند. ابزارهای ویژه‌ای مانند این موارد و فراداده‌ها به مدیران مجموعه کمک می‌کنند تا داده‌های موزه را برای اهداف تحقیقاتی و آموزشی قابل استفاده مجدد کنند. بسیاری از اقلام موجود در مجموعه‌های موزه اطلاعات زیادی در مورد منشاء خود ندارند و ابزارهای هوش مصنوعی می‌توانند به پر کردن این شکاف‌ها کمک کنند.

در این تحقیق ۱۰ گروه و ۳۲ شرکت‌کننده از چندین جامعه نمونه فیزیکی بررسی شد. این افراد شامل مدیران مجموعه در رشته‌های مختلف، ازجمله انسان‌شناسی، باستان‌شناسی، گیاه‌شناسی، زمین‌شناسی، ماهی‌شناسی، حشره‌شناسی، خزنده‌شناسی و دیرینه‌شناسی بودند و هر شرکت‌کننده به سوالاتی در مورد نحوه دسترسی، سازماندهی، ذخیره و استفاده از داده‌های مجموعه‌های خود پاسخ داد تا مواد خود را برای استفاده هوش مصنوعی آماده کند. در حالی که سوژه‌های انسانی برای مطالعه نیاز به رضایت دارند، اکثر گونه‌ها شامل این موارد نمی‌شوند، بنابراین، هوش مصنوعی می‌تواند داده‌ها را از مجموعه‌های فیزیکی غیرانسانی بدون نگرانی در مورد حریم خصوصی یا رضایت جمع‌آوری و تجزیه و تحلیل کند. ما دریافتیم که مدیران مجموعه از حوزه‌ها و موسسات مختلف، شیوه‌های بسیار متفاوتی دارند.

وقتی صحبت از آماده‌سازی مجموعه‌های فیزیکی آنها برای هوش مصنوعی می‌شود. نتایج ما نشان می‌دهد که استانداردسازی انواع داده‌های ثبت‌شده توسط مدیران فراداده و روش‌های ذخیره آنها در مجموعه‌ها می‌تواند اقلام موجود در این نمونه‌ها را در دسترس‌تر و قابل استفاده‌تر کند. پروژه‌های تحقیقاتی بیشتر مانند این تحقیق می‌تواند به مدیران مجموعه کمک کند تا زیرساخت‌های مورد نیاز خود را برای آماده‌سازی داده‌هایشان برای ماشین ایجاد کنند. تخصص انسانی می‌تواند به ابزارهای هوش مصنوعی که اکتشافات جدیدی را بر اساس گنجینه‌های قدیمی در مجموعه‌های موزه انجام می‌دهند، کمک کند.

انتهای پیام