Generatiivinen tekoäly, kuten Open AI:n ChatGPT, Claude, Gemini ja muut mallit, voidaan linkittää kokoelmanhallinnan työnkulkuun useilla tavoin. Seuraavassa esimerkkejä siitä, miten tekoäly voisi auttaa museoympäristössä sekä editointityössä että loppukäyttäjien hakuprosesseissa kokoelmahallinnan puolella:

Monet tahot Suomessa ovat sisällyttämässä tekoälyn osia palveluihinsa kuten esimerkiksi Kansalliskirjaston Finto AI — tekoälypohjainen automaattisen sisällönkuvailun palvelu. Finto AI ehdottaa tekstille asiasanoja valitun sanaston pohjalta. Asiasanoja voidaan hyödyntää esimerkiksi tiedonhaun tukena.

Mielestäni on tärkeää heti tehdä selvä ero koneen ja ihmisen tuottaman sisällön välillä. Jotta voidaan arvioida tekoälyn tuottamaa sisältöä on pidettävä mielessä AI tiedon tallentamista erillisiin kenttiin omissa sovelluksissa. Tällä toimintamallilla tekoäly noudattaa määriteltyjä sääntöjä luodessaan kuvauksia, tageja ja vaihtoehtoisia tekstejä (alt text) ja ratkaisee tiedon todenmukaisuuden ja alkuperän selvittämistä myös jälkikäteen. 

Esimerkit eivät ole tärkeysjärjestyksessä tai edes kaikki toteutusvalmiit sellaisenaan, eivätkä tarkoita sitä että niitä kaikkia tulisi hyödyntää. Lähtökohtana esimerkeille on miten editorit ja loppukäyttäjät hyötyisivät tekoälyn mahdollistamisesta kokoelmanhallinnan työnkuluissa.

1. Metatietojen luonti ja rikastaminen
(Editoijan apuna)
 

• Esimerkki: Kun editointi- tai dokumentointivaiheessa lisätään uusia aineistoja kokoelmanhallintajärjestelmään (CMS), tekoäly voi analysoida objektin kuvauksen ja automaattisesti ehdottaa sopivia metatietoja, avainsanoja ja luokitteluja. Tämä säästää editoijalta aikaa ja varmistaa, että aineisto on järjestelmässä yhtenäisesti merkitty.
• Työnkulun hyöty: Tekoäly auttaa erityisesti monimutkaisten metatietojen luonnissa, esimerkiksi historiallisissa objekteissa, joissa konteksti tai tarina ei ole heti selvä. Tekoäly voi ehdottaa aiheeseen liittyviä historiallisia faktoja ja lisätä aineiston relevanssia.

2. Kuvausten ja tiivistelmien kirjoittaminen
(Editoijan apuna)
 

• Esimerkki: GPT voi analysoida pitkää taustadokumentaatiota tai teknisiä kuvauksia esineistä ja kirjoittaa niistä selkeästi muotoiltuja tiivistelmiä, jotka ovat helposti ymmärrettäviä eri yleisöille. Tämä voi olla erityisen hyödyllistä näyttelymateriaalin valmistelussa tai verkkonäyttelyjen esittelyteksteissä.
• Työnkulun hyöty: Editoija voi hyödyntää tekoälyn tiivistelmiä ja mukauttaa niitä eri yleisöille, kuten tutkijoille, opiskelijoille tai yleisölle, mikä vähentää käsin kirjoittamisen tarvetta ja lisää viestinnän johdonmukaisuutta.

3. Hakusanojen ja käyttäjälähtöisten avainsanojen tuottaminen (Hakuprosessin tehostaminen)
 

• Esimerkki: Tekoäly voi ehdottaa käyttäjälähtöisiä hakusanoja aineistolle sen analysoinnin perusteella. Tämä auttaa luomaan paremman löydettävyyden loppukäyttäjille, jotka eivät välttämättä käytä ammattilaisterminologiaa etsiessään kokoelman sisältöä. Esimerkiksi historiallisista maalauksista voidaan generoida yleisesti käytettyjä termejä sekä eri-ikäisten käyttäjien suosimia hakusanoja.
• Hyöty käyttäjälle: Hakuprosessi helpottuu, sillä tekoäly voi tuottaa hakusanoja, jotka vastaavat käyttäjien käyttämää kieltä ja laajentavat tuloksia, kun perinteiset hakusanat eivät kata koko sisällön monimuotoisuutta.

4. Sisältösuositusten tuottaminen loppukäyttäjille (Hakuprosessin parantaminen)
 

• Esimerkki: Kun loppukäyttäjä selaa kokoelmaa ja etsii tiettyjä esineitä, GPT voi analysoida käyttäjän tekemiä hakuja ja ehdottaa automaattisesti muita relevantteja esineitä kokoelmasta. Tämä voi toimia esimerkiksi aiemman hakuhistorian tai tiettyjen hakutermien yhteyksien perusteella.
• Hyöty käyttäjälle: Ehdotusten avulla käyttäjä löytää muita kiinnostavia tai vastaavia aineistoja, jotka eivät välttämättä olleet alun perin haun piirissä. Tämä parantaa käyttäjäkokemusta ja mahdollistaa laajemman kokoelman tutkimisen.

5. Luonnollisen kielen LLM-hakutoiminnot
Hakuprosessin parantaminen)
 

• Esimerkki: Tekoäly voi mahdollistaa luonnollisen kielen kyselyt kokoelmanhallintajärjestelmässä, jolloin käyttäjä voi hakea kokoelmasta ilman tarkkoja hakusanoja, esimerkiksi kirjoittamalla kysymyksiä tai hakulausekkeita kuten "näytä minulle 1700-luvun hollantilaisia maisemamaalauksia". Tekoäly osaa tulkita kysymyksen merkityksen ja ohjaa käyttäjän oikeiden aineistojen pariin.
• Hyöty käyttäjälle: Luonnollisen kielen hakutoiminnot tekevät hakemisesta intuitiivisempaa ja sopivat erityisesti niille, joilla ei ole syvää asiantuntemusta tai tarkkaa käsitystä kokoelman terminologiasta.

6. Kuvapohjainen haku ja tunnistaminen
(Hakuprosessin parantaminen)
 

• Esimerkki: Tekoälypohjaiset kuvantunnistusohjelmat voidaan liittää kokoelmanhallintaan siten, että loppukäyttäjä voi ladata kuvan ja hakea visuaalisesti samankaltaisia aineistoja kokoelmasta. Tämä voi olla hyödyllistä esimerkiksi taidehistorioitsijoille, jotka etsivät visuaalisia yhtymäkohtia eri taiteilijoiden teosten välillä. Duplikaattien löytäminen kokoelmista helpottuu koska kuviin perustuva analyysi ei perustu metatietoihin, vaan kuvien sisältöön. Objekti kun voi olla luetteloitu oikein, mutta versiot löytyvät eri nimisinä.
• Hyöty käyttäjälle: Kuvapohjainen haku nopeuttaa visuaalisten yhteyksien löytämistä ja avaa uusia mahdollisuuksia esimerkiksi vertailututkimukselle ja taideteosten yhteyksien löytämiselle eri aikakausien ja tyylisuuntien välillä.

7. Monikielisten kuvausten luonti ja käännökset
Editoijan apuna ja hakuprosessin parantaminen)
 

• Esimerkki: GPT-malli voi kääntää kuvauksia ja metatietoja useille kielille, jolloin museo voi tarjota monikielistä sisältöä helposti ja saavutettavasti eri kieliryhmille. Tämä voi olla erityisen tärkeää suurissa kansainvälisissä museoissa, joilla on laaja vierailijakunta.
• Hyöty käyttäjälle: Loppukäyttäjät voivat hakea kokoelmaa omalla kielellään ja saada relevanteimmat tulokset. Käännösten avulla myös ei-paikalliset yleisöt pääsevät käsiksi kokoelman aineistoon ja voivat ymmärtää aineiston merkityksen ja taustan paremmin.

Lopuksi

Alussa mainitsemieni tekoälyn toiminnan sääntöjen pohjalta voidaan rakentaa tarkoin rajattu syöte, joka ohjaa mallia tehokkaasti. On tärkeää käyttää sekä ihmisen että automaation arviointimenetelmiä, jotta varmistetaan mallin tuotosten sopusointu ennalta määriteltyjen sääntöjen kanssa ja jotta mahdollisiin poikkeamiin voidaan puuttua tarvittaessa. Lisäksi olisi hyödyllistä sisällyttää palautesilmukka, jossa malli oppisi ihmisten tekemistä korjauksista, mikä parantaisi sisällön tarkkuutta ja osuvuutta ajan myötä.

Yllämainittujen esimerkkien avulla tekoäly voi tehostaa museon kokoelmanhallintaa ja helpottaa aineiston käyttöä sekä museoammattilaisille että loppukäyttäjille. Tämä voisi olla valtava etu akateemisille, tutkimus- ja museoyhteisöille nopeuttaen aineistojen saatavuutta ja vapauttaen aikaa syvällisemmälle ja luovemmalle työlle ja olisi laajasti hyödynnettävä tehtävä suurille kielimalleille (LLM) jo tänään.

Modernit CMS kokoelmanhallintasovellukset, kuten CollectionPro, voidaan linkittää ChatGPT kaltaisiin työnkulkuihin.

CollectionPro

CollectionPro on moderni ja edistyksellinen kokoelmanhallintaratkaisu joka tarjoaa paljon enemmän kuin pelkkä perinteinen kokoelmanhallintasovellus. Kyseessä on uuden sukupolven tiedonhallintaa. Tietoalustalla hallitset sisällöt, kokoelmat, mediatiedostot ja dokumentit, jaat ja arkistoit sisältösi turvallisesti ja ketterästi.

Tutustu CollectionPro sovellukseen tästä tai pyydä esittely

Lue blogistamme: Tarvitsevatko museot ja arkistot kokoelmanhallintasovelluksen rinnalle mediapankkia?