Desmitificando la Inteligencia Artificial en Museos

La inteligencia artificial (IA), a menudo malinterpretada por su nombre, sería mejor descrita como «inteligencia de máquina». Este término refleja más precisamente su función y evita confusiones con la inteligencia humana. Las redes neuronales, una tecnología clave en el auge del aprendizaje profundo, contribuyen a esta confusión al sugerir una similitud con las neuronas biológicas, aunque funcionan de manera significativamente diferente y más simple.

Redes Neuronales y Aprendizaje Automático (ML).

Contrariamente a lo que sugiere su nombre, las «neuronas» en el aprendizaje automático son funciones matemáticas simplificadas y no replican la complejidad de las neuronas biológicas. Los expertos aclaran que las neuronas biológicas son más sofisticadas, con señales químicas y electromagnéticas.

El Error de la Simulación en IA.

Persistimos en descripciones engañosas de IA, como si imitar la biología humana hiciera a la tecnología más inteligente. Sin embargo, la inteligencia de las máquinas opera de manera muy distinta. Los modelos de aprendizaje automático (ML – Machine Learning) analizan datos en múltiples niveles de abstracción, aprendiendo desde formaciones de píxeles hasta características más complejas.

Inteligencia Artificial en el Patrimonio Cultural.

Las instituciones del patrimonio cultural, como museos y archivos, desempeñan un papel crucial en el avance de la IA. Estos espacios pueden aportar conocimientos valiosos para el entrenamiento de sistemas de ML, particularmente en debates sobre descolonización y diversidad en los archivos culturales.

Archivos y Datos de Entrenamiento para ML.

Existe una superposición significativa entre los archivos y los datos de entrenamiento para sistemas de ML. La tendencia actual se centra en el aprendizaje general a gran escala, pero los conjuntos de datos específicos y más pequeños también son valiosos, y los archivos tienen un papel importante en su provisión.

Explorando Archivos con Sistemas de ML.

Estamos comenzando a comprender cómo los sistemas de ML pueden revelar conocimientos ocultos en los archivos. En literatura, por ejemplo, la «lectura a distancia» utiliza el análisis computacional para identificar patrones en grandes colecciones de textos.

Educación y Comprensión de la IA en Museos.

Los museos y las instituciones culturales pueden educar al público sobre las tecnologías de IA, que a menudo se encuentran sólo como herramientas funcionales. Estos espacios pueden permitir a las personas interactuar de manera lúdica y reflexiva con la IA, desmitificando la «caja negra» de estas tecnologías y fomentando una comprensión más profunda de su funcionamiento y aplicación.

Conclusión: Integrando IA en la Cultura y el Conocimiento.

En resumen, la inteligencia artificial no es una réplica de la inteligencia humana, sino una herramienta única y poderosa con capacidades y limitaciones específicas. Su aplicación en el campo del patrimonio cultural y en los museos abre nuevas posibilidades para el análisis, la interpretación y la difusión del conocimiento. La colaboración entre los expertos en IA y los profesionales del patrimonio cultural es esencial para desarrollar sistemas de aprendizaje automático que sean éticos, inclusivos y eficaces. Al mismo tiempo, los museos juegan un papel crucial en la educación pública sobre IA, presentándola no sólo como una tecnología funcional, sino como un campo de exploración y comprensión cultural. Esta integración de la IA en el tejido de nuestra cultura y conocimiento colectivo representa un paso adelante significativo en cómo interactuamos y entendemos tanto la tecnología como nuestro propio patrimonio.

Recursos bibliográficos:

Sierra, C. (2018): Inteligencia Artificial: Fundamentos, práctica y aplicaciones. García-Maroto Editores.

Lázaro, J. L. y Fernández, C. (2019): Inteligencia Artificial y Patrimonio Cultural: Retos y oportunidades. Revista de Patrimonio, 20, páginas 123-140.

Gómez, E. y Casacuberta, F. (2017): Aplicaciones de la inteligencia artificial en los museos. Museología y Tecnología, 3(1), páginas 54-67.

LeCun, Y., Bengio, Y. y Hinton, G. (2015): Deep learning. Nature, 521(7553), páginas 436-444.

Moretti, F. (2013): Distant Reading. Verso Books.

Impett, L. (2020): Computational approaches to art history and visual culture. Journal of Cultural Analytics.

Azar, J., Cox, G. y Impett, L. (2021): Gesture and meaning in art history and museums: Computational methods for understanding embodied response. Digital Scholarship in the Humanities.

Carbon, C. C. (2017): Art perception in the museum: How we spend time and space in art institutions. i-Perception, 8(1).

Bostrom, N. (2017): Superintelligence: Paths, Dangers, Strategies. Oxford University Press.

Desmitificando la Inteligencia Artificial en Museos.

BIBLIOTECA NACIONAL DE ESPAÑA – INTERNATIONAL STANDARD SERIAL NUMBER – EVE MUSEOS E INNOVACIÓN – SPAIN.

Consultas: info@evemuseos.com

Imagen: EVE Museos e Innovación

Descarga el catálogo de EVE Museos e Innovación 2024 aquí.

Si quieres recibir los artículos por correo electrónico y el newsletter semanal, completa el campo correspondiente en el formulario de inscripción que encontrarás más abajo en esta página. Tu dirección de correo electrónico será utilizada exclusivamente para enviarte nuestros newsletters y los artículos, pudiendo darte de baja en el momento que quieras.