Kan AI finde arkivets guldkorn?

Magasinet Historie bad os undersøge, om kunstig intelligens kunne lette journalisternes research i magasinets eget arkiv. Det kom der et positivt svar, et proof of concept og en masse læring ud af.

Magasinet Historie har eksisteret siden 2005, så når magasinets journalister skal skrive en ny artikel om for eksempel forholdet mellem Ukraine og Moskva eller Israel og Palæstina, giver det god mening at starte med at lede i Histories eget arkiv.

Imidlertid har magasinet ikke en god digital løsning til at tilgå materialet på, fortæller Tina Rogers. Hun er Head of Transformation & Design hos Bonnier Publications, der ejer magasinet. Derfor greb hun muligheden for at skabe en løsning sammen med Alexandra Instituttet i et AI Denmark-forløb.

Kan AI slå Google, Gitte og de andre workarounds?
Fordi magasinet mangler en velfungerende søgemaskine, har journalisterne fundet en række andre løsninger, fortæller hun. De rækker fra at konsultere et ældre regneark udfærdiget af en studentermedhjælper til at spørge Google, bibliotek.dk eller en kollega med høj anciennitet og god hukommelse.

– Og så kan man jo altid gå i kælderen og lede efter et fysisk magasin eller en CD-ROM, joker hun.

I forhold til at få afprøvet kunstig intelligens var use casen således både klar og afgrænset, understreger Tina Rogers. Opgaven lød: Kan Alexandra Instituttet bygge en prototype på en søgemaskine, der giver vores journalister adgang til vores arkivmateriale hurtigere?

Alexandra Instituttet lavede en PoC (proof of concept), der indekserede bagkataloget og kunne sættes til at vise 10 eller 20 artikler. Bonnier testede derpå modellen mod en Google-søgning og kunne konstatere, at resultaterne lignede, men dog afveg lidt fra hinanden. For eksempel kunne der være syv artikler, der var de samme, og tre, der var forskellige, fortæller Tina Rogers.

– Meningen med projektet var at undersøge, hvor let og hvor svært det er at få indekseret vores digitale arkiv med AI, og om vi ville få en anden indeksering ud af det end med Google. Det var det, use casen beviste, slår Tina Rogers fast.

AI Denmark-projekt beviste teknisk ladsiggørlighed
Men det, at resultaterne kun afveg let fra hinanden, var både godt og skidt, fortæller hun. For på den ene side er det interessant, at et kort AI Denmark-forløb er nok til at bygge en løsning, der kan måle sig med Google. På den anden side er der ikke megen pointe i at skabe en ny løsning, der ikke leverer markant andre resultater end den gamle.

Dén problematik illustrerer både, hvad en PoC kan, og hvor dens begrænsning ligger. En PoC tester udelukkende, om en idé teknisk kan gennemføres. Det er først i næste udviklingsfase, nemlig i prototypen, at konceptet valideres. Her tester man, hvad man får ud af at bygge produktet.

Fire gode læringer om kunstig intelligens
Imidlertid har Tina Rogers allerede beskæftiget sig med at validere AI-løsningen. Det kom der fire gode læringer ud af, som fortjener at blive gengivet her.

1. Husk, at AI ikke bør være et mål i sig selv. Det er resultatet, der tæller
   Selvom Alexandra Instituttets AI-løsning kun var en PoC, der ville kunne forfines, lod det ikke til, at AI-løsningen var markant bedre til at finde Historie-artiklerne end Google. Med andre ord havde processen ændret sig, men resultatet forblev nogenlunde ens.
2. Spørg brugerne, om AI-løsningen er værd at ændre vaner for
   Fordi resultaterne var nogenlunde ens, var der ikke den helt store værdi for journalisterne i forhold til en vaneændring. Således manglede Bonnier den sidste krog for at få brugerne til at gøre noget nyt.
3. Tjek, om værdien af AI overstiger omkostningerne
   Uanset om en AI-løsning skulle færdigudvikles internt eller eksternt, er det en investering. Og Bonnier mente ikke, løsningen sparer så mange journalistarbejdstimer, at det ville tjene udviklingsudgifterne hjem igen som tidsbesparende internt værktøj.
4. Se, om AI-projektet kan gentænkes til en bedre business case
   Men kunne løsningen blive et værdiskabende eksternt værktøj til abonnenterne? Her stødte Tina Rogers på et nyt problem: Fordi historieformidling har ændret sig meget, ville det kræve human-in-the-loop for at sortere artikler fra, der er blevet overhalet af nyere forskning. Og det ville igen gøre projektet stort og urentabelt. Desværre.

Den femte læring: Undersøg, om datagrundlaget er godt nok
Alligevel synes Tina Rogers, AI Denmark-forløbet var vellykket. – Vi fik erfaring med AI og fik kvalificeret en mulig use case. Hvis løsningen rigtig skal flyve, skal vi digitalisere resten af arkivet. Og dét er et helt andet projekt, understreger hun.

Dén problematik vinder genklang hos Rasmus Larsen, vores AI Specialist på projektet.

– Vi ser tit, at organisationer har potentialet til at udnytte digitalisering, men ideerne bliver bremset af datagrundlaget.

Men det er jo også én af grundene til, at AI Denmark er sat i verden. Her kan SMV’er få deres første erfaringer med AI. Og én af de erfaringer handler typisk om, at der skal overraskende meget data og digitalisering til for at komme helt i mål med AI. Men det skal ikke holde ideerne tilbage, understreger han.