Muzea, archiwa i instytucje zajmujące się ochroną dziedzictwa kulturowego przechowują ogromne ilości informacji: rękopisy, fotografie i nagrania, dzieła sztuki, dokumentację zabytków i stanowisk archeologicznych. Coraz większa część tych zbiorów jest digitalizowana, ale samo przeniesienie materiałów do postaci cyfrowej nie rozwiązuje problemu ich opracowania, analizy i udostępniania.

W tym miejscu pojawia się sztuczna inteligencja. Modele uczenia maszynowego mogą automatycznie rozpoznawać i transkrybować tekst, analizować obrazy, uzupełniać metadane czy wyszukiwać powiązania pomiędzy pozornie nie mającymi ze sobą nic wspólnego materiałami. Nowsze rozwiązania, w tym modele językowe i systemy RAG, pozwalają również budować nowe sposoby dostępu do kolekcji i wiedzy zgromadzonej przez instytucje.

Zastosowania AI wykraczają jednak poza pracę z cyfrowymi zbiorami. Technologie te są wykorzystywane także do monitorowania stanu zabytków, wspierania konserwacji, dokumentowania zagrożonego dziedzictwa czy zwiększania dostępności muzeów dla osób z niepełnosprawnościami. W tym artykule opisujemy przykłady wykorzystania AI w muzeach, archiwach i ochronie dziedzictwa kulturowego.

AI w digitalizacji i opracowywaniu zbiorów

Digitalizacja jest pierwszym krokiem do udostępnienia historycznych zbiorów, ale nie rozwiązuje wszystkich problemów związanych z ich przeszukiwaniem. Skan rękopisu, książki czy fotografii jest przede wszystkim obrazem. Aby można było wyszukiwać zawarte w nim informacje, analizować je i łączyć z innymi materiałami, potrzebne są dodatkowe dane opisujące zawartość dokumentu.

Sztuczna inteligencja może automatyzować część tej pracy. Modele rozpoznawania tekstu pozwalają przekształcać skany w możliwy do przeszukania tekst, również w przypadku dokumentów pisanych odręcznie. Inne modele mogą rozpoznawać obiekty na obrazach, klasyfikować materiały, identyfikować język dokumentu czy automatycznie tworzyć i uzupełniać metadane.

Przykładem jest British Library. Instytucja eksperymentuje z narzędziami Transkribus i eScriptorium do automatycznej transkrypcji tekstów drukowanych i odręcznych w różnych alfabetach i językach. W jednym z projektów, Languid, machine learning wykorzystano do automatycznego rozpoznawania języka. System pomógł przypisać kody językowe do ponad 3 mln rekordów i zidentyfikował 471 języków, z czego 141 nie było wcześniej reprezentowanych w katalogu. Wyniki były następnie sprawdzane przez ekspertów.

AI może pracować również bezpośrednio z materiałami wizualnymi. W ramach projektu Living with Machines British Library wraz z The Alan Turing Institute wykorzystywała m.in. computer vision, klasyfikację i word embeddings do analizy dużych zbiorów historycznych gazet, książek i map. Powstały w ten sposób narzędzia pozwalające analizować obrazy na dużą skalę, rozpoznawać nazwy miejsc oraz automatycznie generować metadane dla zdigitalizowanych materiałów.

Podobny kierunek widać w amerykańskich archiwach. National Archives and Records Administration (NARA) wykorzystuje AI do automatycznego generowania tagów i tematów dla około 2 mln cyfrowych rekordów. Instytucja prowadzi również pilotaże semantycznego wyszukiwania, automatycznego tworzenia metadanych i streszczeń dokumentów oraz ekstrakcji tematów i nazw własnych.

Interesujące jest wyszukiwanie semantyczne. W tradycyjnej wyszukiwarce użytkownik musi często trafić w odpowiednie słowa kluczowe, podczas gdy system wykorzystujący AI może analizować znaczenie zapytania i kontekst dokumentów. NARA testuje takie rozwiązanie w swoim katalogu, żeby umożliwić badaczom odnajdywanie materiałów również wtedy, gdy użyte w zapytaniu określenia nie występują w dokumentach w dokładnie takiej formie.

Dzięki temu AI może przejąć część żmudnych czynności związanych z opracowywaniem zbiorów. Automatycznie wygenerowany tekst, metadane czy klasyfikacja tworzą dodatkową warstwę informacji, dzięki której materiały wcześniej trudne do odnalezienia mogą stać się bardziej dostępne dla badaczy i szerszej publiczności.

Odkrywanie powiązań w zbiorach

Samo uporządkowanie i opisanie zbiorów to dopiero początek. Kolejnym wyzwaniem jest odnalezienie zależności pomiędzy materiałami przechowywanymi w różnych kolekcjach, instytucjach czy formatach. W tym obszarze AI może analizować znacznie większe ilości danych niż człowiek i wskazywać powiązania, które mogą trudne do zauważenia.

Przykładem jest Revolution Crossroads, projekt Smithsonian Institution i Library of Congress poświęcony historii amerykańskiej rewolucji. Instytucje połączyły dane dotyczące setek tysięcy materiałów, w tym gazet, listów, dokumentów wojskowych, map, portretów i obiektów muzealnych. AI jest wykorzystywana do identyfikowania osób, miejsc, wydarzeń i wzorców występujących w tych rozproszonych zbiorach. Dzięki temu badacze mogą szukać połączeń pomiędzy materiałami, które przez lata znajdowały się w różnych archiwach i kolekcjach.

Skala problemu jest tutaj istotna. Materiały z XVIII i XIX wieku często są niekompletne, różnią się sposobem opisu, zawierają ręcznie pisane teksty i historyczne warianty nazwisk czy nazw miejsc. Nawet po digitalizacji przeszukanie milionów dokumentów i prześledzenie występujących w nich powiązań byłoby dla człowieka niezwykle czasochłonne. Smithsonian Institution podkreśla, że w ramach Revolution Crossroads AI ma właśnie pomóc analizować te zbiory na większą skalę, przy czym wyniki generowane przez modele są następnie sprawdzane przez badaczy.

Podobne podejście jest stosowane do metadanych. Europeana rozwija narzędzia, które pozwalają automatycznie wzbogacać opisy obiektów o dodatkowe informacje i powiązania semantyczne. Przykładem jest SAGE, które analizuje metadane, tworzy automatyczne adnotacje semantyczne, a następnie umożliwia ich weryfikację przez człowieka.

Dzięki takiemu podejściu można korzystać efektywniej z cyfrowych kolekcji. AI nie musi jedynie odpowiadać na pytanie „gdzie znajduje się ten dokument?”. Może pomóc przejść do pytania „co łączy ten dokument z innymi materiałami?”. To otwiera nowe możliwości dla badaczy i instytucji, które chcą lepiej wykorzystywać informacje ukryte w rozproszonych zbiorach.

Wsparcie badań i ochrony obiektów

AI może być wykorzystywana nie tylko do pracy z cyfrowymi kopiami zbiorów. Coraz częściej wspiera również analizę fizycznych obiektów, pomagając badaczom i konserwatorom oceniać ich stan, identyfikować materiały czy analizować zmiany zachodzące w czasie.

AI może wspierać również badanie i konserwację dzieł sztuki. Modele uczenia maszynowego są wykorzystywane m.in. do analizy materiałów i pigmentów, wykrywania uszkodzeń oraz oceny zmian zachodzących w obrazach. Dzięki temu mogą pomóc określić, z czego wykonano dzieło, zidentyfikować miejsca wymagające uwagi albo lepiej ocenić jego stan. Badania wskazują, że takie zastosowania mogą wspierać konserwatorów zarówno w analizie dzieł, jak i w planowaniu ich ochrony.

Możliwości są jeszcze szersze, gdy AI połączy się z innymi metodami obrazowania. Zdjęcia  rentgenowskie czy skany 3D mogą dostarczać informacji niewidocznych podczas oglądania obiektu gołym okiem. Algorytmy mogą następnie analizować te dane i wskazywać cechy wymagające dalszej uwagi specjalisty.

AI może być również wykorzystywana do ochrony dziedzictwa zagrożonego przez konflikty, katastrofy czy inne sytuacje kryzysowe. UNESCO rozwija projekty wykorzystujące AI m.in. do dokumentowania i monitorowania dziedzictwa kulturowego w sytuacjach kryzysowych, analizy materiałów pochodzących z uszkodzonych obiektów oraz oceny ryzyka. W takich zastosowaniach AI może pomóc szybciej przetwarzać duże ilości zdjęć i innych danych, które są potrzebne do oceny stanu dziedzictwa i planowania dalszych działań.

To szczególnie ważne w przypadku obiektów, których stan trzeba obserwować przez wiele lat. Regularnie wykonywane pomiary i zdjęcia mogą tworzyć obszerny zbiór danych, którego ręczna analiza byłaby czasochłonna. AI pozwala natomiast porównywać kolejne obserwacje i wspierać specjalistów w wykrywaniu zmian, zanim staną się one łatwe do zauważenia podczas standardowej kontroli.

Polepszenie dostępności zbiorów i muzeów

Sztuczna inteligencja może pomóc również w udostępnianiu dziedzictwa osobom, które napotykają bariery w tradycyjnym sposobie zwiedzania. Dotyczy to m.in. osób niewidomych i słabowidzących, ale także odbiorców korzystających z muzeów w innym języku lub preferujących treści audio.

Przykładem jest europejski projekt SHIFT, który rozwija narzędzia wykorzystujące AI i uczenie maszynowe do zwiększania dostępności dziedzictwa kulturowego. Jedno z nich pozwala tworzyć opisy dzieł sztuki na podstawie obrazu i dostępnych metadanych. Wygenerowany opis może następnie zostać wykorzystany do przygotowania treści dla osób niewidomych i słabowidzących.

AI może też ułatwiać dostęp do treści w różnych językach. W ramach SHIFT rozwijane jest narzędzie zmieniające tekst na mowę, które może tworzyć wielojęzyczne narracje i opisy audio. W testach wykorzystywano je np. do tworzenia angielskich wersji materiałów wideo przygotowanych wcześniej w języku rumuńskim i serbskim.

Jeszcze innym kierunkiem jest wykorzystanie technologii dotykowych. W ramach projektu SHIFT powstają rozwiązania pozwalające na interakcję z cyfrowymi modelami obiektów za pomocą specjalnej rękawicy. Takie rozwiązania mogą uzupełniać tradycyjne opisy i nagrania, pozwalając osobom z ograniczeniami wzroku poznawać kształt czy strukturę cyfrowych reprezentacji obiektów.

W tym zastosowaniu AI nie zastępuje więc tradycyjnych form udostępniania zbiorów, ale pozwala tworzyć dodatkowe sposoby kontaktu z nimi. Dzięki temu ten sam obiekt może być przedstawiony za pomocą tekstu, obrazu, dźwięku czy interakcji dotykowej, zależnie od potrzeb odbiorcy.

Nowe możliwości zwiedzania dzięki AI

AI jest stosowana nie tylko w opracowywaniu zbiorów, ale również w sposobie, w jaki zwiedzający korzystają z muzealnych kolekcji. Modele generatywne mogą tworzyć interaktywne narracje, odpowiadać na pytania dotyczące eksponatów czy pozwalać odbiorcy samodzielnie wybierać kierunek poznawania kolekcji.

Przykładem jest Smithsonian Institution. W 2026 roku instytucja wykorzystała własny system AI w projekcie Smithsonian Dreams. Model pracował na milionach zdigitalizowanych obiektów. System analizował kolekcje i wyszukiwał istniejące między nimi zależności, które następnie zostały wykorzystane do stworzenia wielkoformatowej instalacji wyświetlanej na fasadzie Smithsonian Castle.

Źródło: Smithsonian Institution

To przykład wykorzystania AI nie tylko jako narzędzia do wyszukiwania informacji, ale również jako sposobu na przedstawienie kolekcji w zupełnie innej formie. Algorytm może pomóc odnaleźć wzorce i powiązania w zbiorach, a następnie wykorzystać je do stworzenia nowej narracji wokół zgromadzonych obiektów.

Podobne możliwości daje połączenie AI z interaktywnymi przewodnikami. Zamiast korzystać wyłącznie z wcześniej przygotowanych opisów, zwiedzający może zadawać pytania własnymi słowami i otrzymywać odpowiedzi dotyczące konkretnego dzieła, jego autora, epoki czy kontekstu historycznego. W połączeniu z systemem RAG odpowiedzi mogą być generowane na podstawie materiałów pochodzących z kolekcji i zasobów przygotowanych przez muzeum.

Takie rozwiązania mogą sprawić, że zwiedzanie stanie się bardziej indywidualne. Jedna osoba może chcieć dowiedzieć się więcej o technice wykonania obrazu, inna o jego historii, a jeszcze inna o powiązaniach z innymi dziełami znajdującymi się w kolekcji. AI może dostosować sposób prezentowania informacji do pytania i zainteresowań odbiorcy.

Warto jednak zachować rozróżnienie między generowaniem nowych treści a dostępem do wiedzy zgromadzonej przez muzeum. W przypadku dziedzictwa kulturowego szczególnie istotne jest, aby odpowiedzi AI można było zweryfikować i aby system jasno wskazywał, z jakich materiałów korzysta. Dlatego w zastosowaniach muzealnych modele językowe najlepiej traktować jako warstwę ułatwiającą dostęp do istniejących zasobów.

Podsumowanie

Sztuczna inteligencja jest stosowana w muzeach, archiwach i ochronie dziedzictwa kulturowego. Może wspierać digitalizację i opracowywanie zbiorów, ułatwiać wyszukiwanie powiązań między materiałami, pomagać w badaniu i monitorowaniu stanu obiektów, a także zwiększać dostępność muzealnych kolekcji. Modele językowe i systemy RAG otwierają dodatkowo możliwość bardziej naturalnego korzystania z cyfrowych zasobów, poprzez zadawanie pytań, konwersację z asystentem czy wyszukiwanie informacji w dużych zbiorach materiałów.

Jednak w przypadku dziedzictwa kulturowego szczególnego znaczenia nabiera jakość danych oraz możliwość weryfikacji wyników. AI może przyspieszać analizę dużych kolekcji i wspierać pracę specjalistów, ale nie zastępuje ich wiedzy i oceny, szczególnie w przypadkach, gdzie istotny jest kontekst historyczny, autentyczność czy poprawna interpretacja materiałów.

Podobne rozwiązania można wykorzystać także poza muzeami. W Azurro rozwijamy system do analizy i indeksowania materiałów audio i wideo, które mogą być stosowane m.in. w archiwach, wytwórniach filmowych i innych organizacjach pracujących z dużymi zbiorami nagrań. System pozwala analizować materiały, indeksować je, a następnie przeszukiwać bazę pod kątem różnorodnych metadanych, czy korzystać z asystenta ułatwiającego dostęp do zgromadzonych treści. To tylko kilka przykładowych funkcji, a jeśli Twoja organizacja pracuje z dużymi zbiorami audio lub wideo i szuka sposobu na ich lepsze uporządkowanie, przeszukiwanie i wykorzystanie, zapraszamy do kontaktu.