3.07 Studija slučaja: Platforme građanske znanosti poboljšane umjetnom inteligencijom

Ova studija slučaja dublje se bavi praktičnom primjenom modela građanske znanosti potpomognutih umjetnom inteligencijom predstavljenih u Modulu 3, s fokusom na dvije vodeće platforme: iNaturalist i Zooniverse. Ove platforme nisu samo alati za prikupljanje podataka, nego su dinamični ekosustavi u kojima umjetna inteligencija i kolektivna ljudska inteligencija međusobno djeluju kako bi stvorile samopoboljšavajući krug učenja i otkrića.

iNaturalist je uspješno integrirao sofisticirani računalni vid u svoje osnovno korisničko iskustvo. Kada korisnik prenese fotografiju biljke ili životinje, umjetna inteligencija trenutno predlaže popis mogućih identifikacija vrsta. Ovaj model nije izgrađen izolirano u laboratoriju, već je obučen na milijunima opažanja koja je prethodno identificirala i provjerila zajednica korisnika ove platforme. To stvara snažnu povratnu spregu: kolektivna inteligencija zajednice trenira umjetnu inteligenciju. Zauzvrat, prijedlozi modela olakšavaju novim korisnicima sudjelovanje i učenje, što povećava angažman i generira više podataka. Ovi novi podaci se zatim koriste za daljnje usavršavanje modela, čineći ga točnijim i proširujući njegovu pokrivenost vrstama. Ova sinergija poboljšava iskustvo učenja za pojedince, istovremeno stvarajući detaljniji i vrjedniji skup podataka za znanstvena istraživanja o bioraznolikosti.

Zooniverse, s druge strane, često koristi umjetnu inteligenciju na drugačiji, ali jednako suradnički način. Mnogi Zooniverse projekti uključuju zadatke previše nijansirane za trenutne modele, kao što je identificiranje slabih galaksija ili transkripcija složenog povijesnog rukopisa. Ovdje je „mudrost mnoštva“ od presudne važnosti. Međutim, Zooniverse eksperimentira s integracijom umjetne inteligencije kako bi optimizirao, a ne zamijenio, rad svojih volontera. U projektu Gravity Spy, algoritam dubokog učenja stvara personalizirano iskustvo obuke za svakog volontera, procjenjujući njihovu vještinu u identificiranju različitih vrsta „grešaka“ u podacima i predstavljajući im zadatke prilagođene njihovim sposobnostima. Ova personalizacija vođena umjetnom inteligencijom dramatično je povećala točnost klasifikacije s 54% na 90% i poboljšala retenciju volontera. U drugim projektima, klasifikacije volontera koriste se za treniranje modela strojnog učenja, koji zatim može obraditi najjednostavnije klasifikacije, omogućujući ljudskim stručnjacima da usmjere svoju pozornost na najzanimljivije, neobične ili dvosmislene slučajeve.

Obje platforme ilustriraju temeljni uvid iz Modula 3: građanska znanost potpomognuta umjetnom inteligencijom ne odnosi se na automatizaciju koja zamjenjuje ljude. Radi se o stvaranju socio-tehnološkog sustava u kojem ljudska i strojna inteligencija rade usklađeno, pri čemu svaka nadopunjuje sposobnosti druge kako bi se postigli rezultati koje bi bilo nemoguće postići bilo kojoj od njih samostalno.