3.07 Студија случаја: платформе грађанске науке унапређене вештачком интелигенцијом

Ова студија случаја детаљније разматра практичну примену модела грађанске науке заснованих на вештачкој интелигенцији, представљених у Модулу 3, са фокусом на две водеће платформе: iNaturalist и Zooniverse. Ове платформе нису само алати за прикупљање података; оне представљају динамичке екосистеме у којима вештачка интелигенција и колективна људска интелигенција ступају у интеракцију, стварајући циклус учења и открића који се стално самоунапређује.

Платформа iNaturalist успешно је интегрисала напредни модел рачунарског вида заснованог на вештачкој интелигенцији у своје основно корисничко искуство. Када корисник отпреми фотографију биљке или животиње, модел одмах предлаже листу могућих врста. Овај модел није настао у лабораторији изоловано, већ је обучаван на милионима запажања које је заједница корисника претходно идентификовала и верификовала. Тако се ствара повратни механизам: колективна интелигенција заједнице обучава вештачку интелигенцију, а њени предлози, заузврат, олакшавају укључивање нових корисника и њихово учење, што повећава ангажованост и генерише нове податке. Ти нови подаци затим служе за даље усавршавање модела, чинећи га прецизнијим и проширујући његов обухват врста. Овај спој унапређује процес учења појединца, а истовремено ствара детаљнији и вреднији корпус података за научна истраживања биодиверзитета.

Платформа Zooniverse,  с друге стране, користи вештачку интелигенцију на другачији, али подједнако сараднички начин. Многи пројекти у оквиру Zooniverse укључују задатке који су сувише суптилни за тренутне могућности вештачке интелигенције (као што су препознавање слабих галаксија или транскрипција сложеног историјског рукописа). У тим случајевима, пресудна је „колективна мудрост”. Ипак, Zooniverse експериментише са интеграцијом вештачке интелигенције како би оптимизовао, а не заменио, рад својих волонтера. У пројекту ‘Gravity Spy‘, алгоритам дубоког учења креира персонализовано искуство обуке за сваког волонтера, процењујући њихову вештину у препознавању различитих типова податковних аномалија и неправилности (тзв. „глитчева”) и додељујући им задатке у складу са њиховим нивоом способности. Ова персонализација заснована на вештачкој интелигенцији драматично је повећала тачност класификације са 54% на 90% и побољшала задржавање волонтера. У другим пројектима, класификације које дају волонтери користе се за обуку модела машинског учења, који потом може да преузме најједноставније класификације, остављајући стручњацима простор да се усредсреде на најзанимљивије, необичне или двосмислене случајеве.

Обе платформе илуструју кључну поуку из Модула 3: грађанска наука унапређена вештачком интелигенцијом није усмерена на аутоматизацију која замењује људе. Она подразумева стварање социо-техничког система у којем људска и машинска интелигенција делују у складу, међусобно проширујући своје могућности како би постигле резултате који би за сваку од њих појединачно били недостижни.