Door Redaktie
Kunstmatige Intelligentie (AI), en met name de nieuwste modellen zoals Large Multimodal Models (LMM’s), spelen een steeds belangrijkere rol bij het vastleggen en toegankelijk maken van wat we het ‘collectieve geheugen’ kunnen noemen.
Dit betreft echter niet het vastleggen van het menselijke brein zelf, maar eerder het organiseren en ontsluiten van de enorme hoeveelheid gedeelde menselijke kennis, data en cultureel erfgoed die al digitaal of gedigitaliseerd beschikbaar is (tekst, beelden, video, audio).
De rol van AI in het vastleggen van collectief geheugen
AI draagt op verschillende manieren bij aan het toegankelijk maken van het collectieve geheugen:
- Archivering en Toegankelijkheid: AI wordt gebruikt om grote, historische archieven (zoals parlementaire documenten of fotoarchieven) te doorzoeken, te indexeren en meertalig te ontsluiten. Dit maakt eerder verborgen of moeilijk vindbare kennis breed beschikbaar.
- Voorbeeld: Het Europees Parlement gebruikt GenAI (Generatieve AI) om tientallen jaren aan documenten doorzoekbaar te maken. Het Noord-Hollands Archief traint AI om historische foto’s te herkennen en te doorzoeken.
- Kennismanagement: Binnen organisaties of kennisgemeenschappen helpt AI om het ‘collectieve geheugen’ in de vorm van rapporten, vakliteratuur en vergaderverslagen te structureren en onmiddellijk antwoord te geven op basis van deze interne kennis.
- Automatisch Vastleggen: Tools voor AI-notuleren leggen gesproken interacties (zoals vergaderingen) automatisch vast, structureren de informatie en bieden snelle samenvattingen, wat de continuïteit van de vastgelegde kennis in een organisatie vergroot.
- Creëren van Digitale Ervaringen: AI kan ingezet worden in combinatie met andere technologieën (zoals VR) om interactieve verhalen en herinneringen te creëren, bijvoorbeeld over historische onderwerpen.
- Zijn Large Multimodal Models (LMM’s) toereikend?
De huidige generatie Large Multimodal Models (LMM’s), zoals Gemini en GPT-4o, zijn zeer toereikend om deze taak op een geavanceerde manier uit te voeren. Sterker nog, ze zijn hier beter voor geschikt dan hun voorgangers (zoals Large Language Models (LLM’s)) omdat ze: - Multimodaliteit: LMM’s kunnen verschillende soorten data (modaliteiten) tegelijkertijd verwerken en integreren:
- Tekst (artikelen, documenten)
- Beeld (foto’s, historische beelden)
- Audio (gesprekken, historische opnames)
- Video
- Rijkere Context: Doordat LMM’s de relatie tussen, bijvoorbeeld, de tekstuele beschrijving van een gebeurtenis en de bijbehorende historische foto of video kunnen begrijpen, kunnen ze een veel rijkere en nauwkeurigere reconstructie van het collectieve geheugen bieden dan modellen die alleen op tekst zijn gebaseerd.
- Hoewel LMM’s een krachtig hulpmiddel zijn voor het ontsluiten van vastgelegde menselijke kennis, is het belangrijk op te merken dat ze niet het menselijk geheugen zelf nabootsen. Het menselijk geheugen is een neurologisch, emotioneel en dynamisch proces (inclusief consolidatie, aanpassing en zelfs valse herinneringen zoals het Mandela-effect), terwijl AI-geheugen een digitale opslag en verwerkingssysteem is. LMM’s zijn dus toereikend voor het digitaliseren en doorzoekbaar maken van gedeelde kennis, maar ze vangen niet de essentie van het biologische menselijke geheugen.