Levéltári Közlemények, 90. (2019)
Levéltártan Hegedűs István: Hogyan segít újragondolni a levéltárak szerepét a mesterséges intelligencia és a gépi tanulás?
amelyben 35 kollégájuk vett részt. A különböző csapatok gyakorlatba ültették át a korábbi tapasztalataikat, egyúttal sokféle adattal kísérleteztek, felvetették a digitális nyilvántartásokhoz való hozzáférés megőrzésének különböző problémáit is. Az esemény segítségével két főbb jövőbeni kutatási területet azonosítottak a további vizsgálatokhoz: a kódolt nyelvek automatizált felismerését, valamint katalógusleírások témamodellezését.20 2019. október 31-én fontos hír jelent meg a Nature folyóiratban. Az azt figye lemmel kísérő tudományos közösségben nagyot robbant a hír, hogy a velencei „Időgép” projektet felfüggesztették a nemzetközi partnerek egyet nem értése miatt.21 A projekt a Lausanne-i Szövetségi Műszaki Egyetem, a Velencei Állami Levéltár és a velencei Ca’ Foscari Egyetem együttműködésével indult, amikor 2014-ben mindhárom intézmény nem kötelező erejű egyetértési megállapodást írt alá a munka elvégzéséről. A projekt célja az volt, hogy digitalizálja az állami archívum több mint 80 kilométernyi dokumentumát. Azért függesztették fel, mivel a megállapodás nem határozta meg az eredménytermék felhasználásának pontos paramétereit, amelyek a digitalizált adatok kutatók általi felhasználását szabályozták volna az olasz törvényekkel összhangban. Hozzá kell tennem, hogy a konzorciumi megállapodások részletei döntő fontosságúak egy ilyen horderejű program esetében. Ausztráliában, az Új-Dél-Wales-i Állami Levéltár Digitális Állami Levéltárában a gépi tanulást vizsgálták, különös tekintettel annak a nyilvántartás kezelésben és az elektronikus iratok selejtezésében való alkalmazására. 2017-ben és 2018-ban két pilot projekt, azaz próbavállalkozás indult azzal az elsődleges céllal, hogy a miniszterelnöki kabinet elektronikus iratait dolgozzák fel. Konkrét céljuk volt egy olyan MI eszköz kifejlesztése, amellyel hasznos terméket hozhatnak létre az igazságszolgáltatás számára.22 19A verseny egy napindító ( bootphase ) előadás-sorozattal indul, amely kiválóan alkalmas az egyete men megszokottól eltérő módszerű képzési környezet kialakítására. Az előadások után következő „Kérdezz, felelek”-blokkok a felvetődő problémák és kérdések megválaszolásával segítik a versenyzőket az elindulásban és ötleteik kidolgozásában. A második fázisban a résztvevők egy közös, plenáris ötletbörzén prezentálják az ötleteiket, amelyek közül a legjobbakat szavazással választják ki, majd a legjobb ötletek gazdái csapatokat kapnak oly módon, hogy a résztvevők megjelölik a nekik legjobban tetsző ötletet, és így csatlakoznak valamelyik csapathoz. A kialakuló ad hoc csapatok a rendelkezésükre álló időben kidolgozzák, élet- és versenyképessé alakítják az ötletet. Azaz a résztvevőket játékos módon, élményalapú, korszerű és hatékony eszközökkel – játék- és tapasztalati alapon – képezik, miközben jobban megismerik érdeklődési körüket és a szokásostól eltérő csoportban mutatott attitűdjüket, az ilyen szituációkban jelentkező kreativitásukat. 20Mark Bell: Machine learning in the archives . 2018. https://blog.nationalarchives.gov.uk/machinelearning-archives/ (Utolsó letöltés ideje: 2020. szeptember 23.) 21Davide Castelcchi: Venice ‘ time machine ’ project suspended amid data row. Nature , 2019. október 31. 22Glen Humphries: Case Study – External Pilot – Machine Learning and Records Management . 2018. https://futureproof.records.nsw.gov.au/case-study-external-pilot-machine-learning-andrecords-management/ (Utolsó letöltés ideje: 2020. szeptember 23.) Hogyan segít újragondolni a levéltárak szerepét a mesterséges intelligencia és a gépi tanulás? 95
