Co je AI: odmysleme marketing a humbuk kolem
Než se podíváme na to, co AI v knihovnách může změnit, a co ne, zastavme se na chvíli u toho, co se vlastně pojmem umělá inteligence rozumí. Jde o termín, který zahrnuje několik příbuzných technologií s různým historickým vývojem. Před několika lety jsme mluvili o digitálním výzkumu nad velkými daty, poté nás zaujalo strojové učení a datová věda, tedy metody umožňující vytvářet software na zvládání složitějších úkolů. Experimentovali jsme s asistivními či diskriminačními modely strojového učení, které dokázaly přepisovat rukopisné texty, vytvářet popisné štítky k obrázkům, detekovat entity jako osoby, místa nebo data v textu nebo opravovat pravopis. Tyto nástroje byly užitečné, ale poměrně úzce zaměřené.
Dnes máme generativní umělou inteligenci, která dokáže vytvářet nové texty, obrázky či videa. Je však potřeba chápat její limity: neumí spolehlivě počítat, nerozumí významu slov a pojmů, nechápe fyzikální zákonitosti světa a neumí rozpoznat, co je pravda.
Pro ilustraci limitů umělé inteligence často používám obrázek, který jsem s pomocí AI vygenerovala na základě promptu „vzácné knihy a speciální fondy“. Výsledek vypadá působivě – obsahuje všechny vizuální prvky, které spojujeme se starými knihami: koženou vazbu, zažloutlý papír. Při bližším pohledu je ale zřejmé, že podobná kniha by nemohla plnit svou funkci – stránky nejdou otevřít, text nejde přečíst. Generovaný obrázek zachycuje jen povrchový vzhled staré knihy, nikoli její reálné vlastnosti. A právě to ukazuje jak pozoruhodné schopnosti AI, tak její zásadní omezení.
Praktické využití v knihovnách
Navzdory těmto nedostatkům nabízí AI a strojové učení knihovnám velké výhody. Jednou z nejvýznamnějších je automatický přepis textu z obrázků a audia. Když máme k dispozici digitální texty, otevírá se široká paleta možností.
Knihovník a vývojář Matt Miller ukázal, co bylo možné už s ranou verzí GPT modelů: vzal digitalizované obrázky starých rukopisných deníkových záznamů a pomocí AI je nechal automaticky přepsat, vytvořit shrnutí každého záznamu, extrahovat v textu zmiňovaná data, názvy míst nebo osoby. Dříve nedostupné rukopisné materiály se tak proměnily v prohledávatelná, strukturovaná data, s nimiž lze pracovat ve výzkumu nebo je propojovat s dalšími zdroji. Rozpoznávání a propojování entit – lidí, míst, dat nebo pojmů v rámci textu – nám umožňuje vytvářet obrovské množství nových vazeb napříč našimi fondy.
Další průlom přinesla detekce objektů v obrazech. AI umí rozpoznat předměty na fotografiích a generovat klíčová slova, štítky a popisky. Dnes už tuto technologii najdete patrně i ve vašem mobilu, v němž můžete snadno hledat fotky psa, večeře nebo kopírovat text z obrázku. V knihovnách to má zásadní přínos pro vizuální sbírky, které jsou najednou mnohem lépe přístupné.
Z pohledu uživatelů je možná nejdůležitější schopnost AI seskupovat podobné obrázky či výrazy a umožnit tak obsahové vyhledávání, které není vázané na klíčová slova. Uživatelé tak nemusí rozumět tomu, jak funguje knihovní katalog – mohou hledat knihy podle „nálady“, nebo podle témat, což výrazně přispívá ke zpřístupnění knihovních fondů pro různé skupiny uživatelů.
AI také dokáže překládat texty i mluvené slovo. Pokud jste byli na mé přednášce na Knihovnách současnosti 2025, viděli jste živou transkripci a překlad mé angličtiny do českých titulků. AI také umí přeformulovat obsah pro různá publika – například převyprávět odborný text dětem nebo turistům.
Pro představu – i tento článek vznikal za asistence umělé inteligence (stejně jako jeho překlad, pozn. překladatele). Nahrála jsem si zkoušku i živé vystoupení na konferenci, nechala si vygenerovat přepis mluvené řeči, ten jsem vložila do AI nástroje (Claude AI), požádala o převedení mluvené řeči do podoby článku a pak jsem text editovala. Myšlenky jsou moje, ale vypilovat výsledek na tuto úroveň by mi jinak trvalo mnohem déle.
Budování institucionálních kapacit
K experimentování s AI jsme se v British Library samozřejmě nedostali ze dne na den. Do vzdělávání a podpory digitální gramotnosti v oblasti umělé inteligence a strojového učení investujeme už více než deset let v rámci širšího programu digitálních stipendií. Tato dlouhodobá práce má zásadní vliv na schopnost zaměstnanců zkoušet nové věci a spolupracovat.
Když se na nás obrátí badatelé nebo partneři s návrhy projektů v oblasti digitálního výzkumu, dokážou si naši kolegové udělat představu, co vše by se mělo zohlednit, přicházejí s nápady na zlepšení i s návrhy, jak se vyhnout obvyklým nástrahám. Tato schopnost vychází nejen z rozsáhlých dovedností potřebných pro výkon práce, ale také z praktických zkušeností s řadou specializovaných nástrojů, díky kterým naši kolegové vnímají různé možnosti i omezení – a především chápou naprosto zásadní význam procesu přípravy dat pro tyto systémy.
V datové vědě a vizualizaci dat se tradičně uvádí, že 80 % času zabere čištění a příprava dat a jen 20 % tvoří samotná analytická práce. Pro využití AI v knihovnách to platí podobně.
Experimenty a spolupráce
Díky tomu, že jsme měli potřebné kapacity, jsme se mohli pustit do experimentování. Počítačoví lingvisté například analyzovali webové archivy, na kterých sledovali vývoj jazyka v čase. Třeba to, jak slovo „blackberry“ (v angličtině ostružina, pozn. překladatele) přestalo být ve zlaté éře tlačítkových smartphonů BlackBerry spojováno s ovocem, ale právě s mobilními technologiemi – a jak se význam vrátil zpět v okamžiku, kdy se výrobci telefonů přestalo dařit. Podobně slovo „cloud“ se z meteorologického pojmu proměnilo v pojem technologický.
Jiný tým knihovny vytvořil modely strojového učení, které v našich digitalizovaných rukopisech odhalují nepřesně označené obrázky nebo rozpoznávají snímky otočené vzhůru nohama a dokážou je automaticky srovnat. Velmi úspěšný byl projekt využívající strojové učení na rozpoznávání jazyků na titulních stranách knih. Ve spojení s ověřováním pomocí crowdsourcingu na platformě Zooniverse přibylo v našem katalogu 141 dosud neidentifikovaných jazyků.
Naše práce s automatickým rozpoznáváním textu (ATR) zahrnuje jak optické rozpoznávání textu (OCR) v tištěných materiálech, tak rozpoznávání rukopisů (HTR) u ručně psaných dokumentů; do budoucna se doufejme přidá také převod řeči na text u audio sbírek. Kolegyně Adi Keinan-Schoonbaert se zaměřuje na rozšíření těchto funkcí na jazyky, pro něž v současných AI systémech není tolik zdrojů jako pro angličtinu, včetně jazyků, které nepoužívají latinku, jako je arabština, japonština a další. Naše práce ukázala, jak důležité je porozumět úkonům, které se snažíte automatizovat – mluvíme proto se zaměstnanci celé knihovny, abychom navnímali detaily jejich práce a potřeb.
Případová studie: projekt Living with Machines
Zatím nejambicióznější iniciativou zkoumající potenciál umělé inteligence pro historický výzkum je projekt Living with Machines. Jeho hlavní řešitelka Ruth Ahnert jej popsala jako „datově řízený historický projekt a zároveň historicky zaměřený datově-vědní projekt“.
Jeho název „Living with Machines“ (Život se stroji) jsme zvolili záměrně – už v letech 2017–2018 jsme cítili, že technologie strojového učení nastartuje procesy, které zásadně promění naši společnost. Na základě analýzy textů, novin a map z 19. století jsme chtěli pochopit, jak mechanizace ovlivnila tehdejší dobu – a na základě toho lépe porozumět našemu vlastnímu vztahu k novým technologiím.
Kolegové v British Library iniciovali projekt částečně i proto, aby zjistili, jak strojové učení změní možnosti knihovníků a výzkumných pracovníků při práci s fondy a sbírkami. Chtěli jsme pochopit, v čem je umělá inteligence dobrá, a kde by mohla selhávat. Projekt nám také umožnil detailně nahlédnout složité otázky autorských práv ve vztahu k počítačovému zpracování dat (včetně zásadní role výjimky pro vytěžování textů a dat) a problematiku potenciálního zkreslení způsobeného tím, které zdroje vybíráme k digitalizaci.
Za celou dobu jeho trvání se do tohoto rozsáhlého projektu zapojilo více než 40 expertů, v jeden okamžik to bylo většinou 20–25 lidí. Velikost týmu odpovídala jednak tomu, jak obrovské fondy a sbírky jsme analyzovali – šlo o miliony digitalizovaných novinových stránek a knih –, jednak odrážela naši ambici pochopit, co se stane, když k řešení komplexních problémů přizvete humanitní vědce, knihovníky, softwarové inženýry a datové analytiky.
V reakci na výzvy spojené s prací s velkým objemem digitalizovaných zdrojů vzniklo několik pozoruhodných, na míru vyvinutých nástrojů. Jeden z nich, systém pro rozlišování toponym T-Res, pomohl identifikovat a odlišovat v textu názvy míst: například poznat, o kterém místě se mluví v případě, že se stejný název opakuje v různých částech světa, případně odlišit přenesené významy, jako když se „Brusel“ někdy vztahuje k vládě EU a někdy k fyzickému městu. Další členové týmu vyvinuli metody pro sledování konkrétních lidí napříč datovými sadami ze sčítání lidu sbíranými vždy jednou za deset let, což jim umožnilo pochopit, jak se v průběhu času měnil výkon různých povolání.
Jazykové analýzy ukázaly, jak byly strojům v historických textech přisuzovány lidské vlastnosti. Díky kombinaci crowdsourcingu a vektorových databází jsme mohli zjistit, jak mechanizace měnila význam slov jako „trolley“ (vozík) nebo „cart“ (kočár), když se začaly rozšiřovat nové způsoby přepravy po železnici nebo automobilem.
Vedle toho vznikly nástroje umožňující vyhledávání v dokumentech s nízkou kvalitou optického rozpoznávání textu, nástroje pracující s potenciálním zkreslením našeho korpusu digitalizovaných novin nebo průkopnické metody počítačového čtení historických map a extrakce sémantických informací z kartografických symbolů. Stojí za zmínku, že nástroj navržený pro vyhledávání v mapách britské mapové služby Ordnance Survey si osvojili i vědci mimo projekt.
Současnost: od zakázkové výroby ke komoditám
Od doby, kdy jsme začínali s projektem Living with Machines, zaznamenala oblast umělé inteligence skokový vývoj. Nahlédneme-li na historii technologií perspektivou Wardleyho mapování,1 procházejí technologie postupnými „evolučními“ fázemi. Projekt Living with Machines fungoval ve fázi „zakázkové výroby“, kdy se s nástroji umělé inteligence a datové vědy teprve experimentovalo a jejich vývoj vyžadoval odborné znalosti. Proto v rámci projektu vznikaly na míru nástroje, na jejichž vývoji se podíleli humanitní vědci.
Dnes již knihovny pro své potřeby a na plnění běžných úkolů, jako je rozpoznávání textu a řeči, detekce objektů v obrazech, rozšíření vyhledávání klíčových slov, a dokonce i navrhování předmětových hesel, pravděpodobně najdou hotové produkty. Nástroje jako ChatGPT a další velké jazykové modely umožňují věci, které byly na počátku projektu Living with Machines nemožné. Knihovníci mohou s nástroji umělé inteligence experimentovat na svých počítačích a vytvářet prototypy pracovních postupů a úkolů podle svých potřeb.
Výzvy a omezení
Zatím však v knihovnách stále nemáme umělou inteligenci, kterou skutečně potřebujeme a kterou si zasloužíme. Současné modely strojového učení obsahují předsudky – zejména rasismus, sexismus a strukturální nerovnosti – dané tím, že modely trénují na historických datech. Navíc nezastupují rovnoměrně všechny kultury nebo historická období a často odrážejí spíše komerční než kulturní hodnoty.
Přehlížet nelze etické otázky související se způsobem získávání trénovacích dat, které se už v řadě případů přesunuly do právní roviny a jsou předmětem soudních sporů. Problémem jsou také dopady AI na životní prostředí (datová centra mohou mít značnou spotřebu vody nebo významnou uhlíkovou stopu, údaje o nich ale mnohdy nejsou veřejně dostupné a transparentní).
Pro knihovny – instituce, které si cení přesnosti a preciznosti – je nejdůležitější pracovat s vědomím, že obsah generovaný umělou inteligencí obsahuje chyby a že nedokážeme předpovědět, kde se tyto chyby vyskytnou. I při chybovosti pouhých 5–10 % musíme pečlivě zvážit, kde jsou pro nás chyby přijatelné. Nepřesnosti u klíčových slov mohou být snesitelnou daní za lepší dohledatelnost našich zdrojů; chyby v autoritativních katalogových záznamech jsou ale výrazně problematičtější.
Vzhledem k tomu, že často musíme stejně vše ručně zkontrolovat nebo ověřit, je otázka, kolik času nám AI v budoucnu skutečně ušetří.
Výhled do budoucnosti: komunita a neustálé vzdělávání
Navzdory těmto výzvám se technologie umělé inteligence rychle vyvíjí. Co se dnes jeví jako nemožné, může být za rok běžnou praxí.
V takto dynamickém prostředí je těžké držet krok se všemi novinkami. Doporučuji proto všem zájemcům o tuto problematiku zapojit se do komunit, jako je AI4LAM (AI for Libraries, Archives and Museums, v překladu AI pro knihovny, archivy a muzea), která pořádá pravidelná online setkání věnovaná různým tématům, jejichž rozsáhlý archiv je dohledatelný na YouTube. Má také komunikační kanál na platformě Slack a posílá pravidelné informace e-mailovým newsletterem. Díky těmto zdrojům je možné se dostat k cenným informacím o tom, jak různé organizace reagují na konkrétní výzvy a zdokonalují svou práci s fondy a sbírkami.
Zaměstnanci Britské knihovny, zejména moje kolegyně Nora McGregor, pomohli vyvinout průvodce tématy digitální vědy a datové vědy pro knihovníky (DS Topic Guides, dostupný na libereurope.github.io/ds-topic-guides/). Jsou určené zejména pro zaneprázdněné knihovnice a knihovníky, kterým poskytují rychlý přehled témat a odkazy na další zdroje. Budeme rádi za příspěvky od širší komunity!
Závěr
Umělá inteligence a strojové učení otevírají řadu příležitostí, jak změnit náš způsob práce s knihovními fondy. Pomáhají nám zlepšit jejich přístupnost, prohledatelnost a tím pádem i využitelnost jak ze strany badatelů, tak široké veřejnosti. Abychom ve využití tohoto potenciálu byli úspěšní, musíme však dobře rozumět také tomu, jaká mají nové technologie omezení.
Zcela zásadní je rozvíjet v rámci institucí potřebné kompetence a kapacity – pořádat školení, vytvářet prostor pro experimentování, spolupracovat s odborníky na nové technologie a udržovat si potřebný kritický přístup, protože technologie mohou prohlubovat společenské předsudky. Nejdůležitější je mít na paměti, že umělá inteligence funguje nejlépe, když lidskou odbornost rozvíjí, nikoli když ji nahrazuje.
Naším cílem při postupném sžívání se s těmito „stroji“ není všechno automatizovat, ale umocnit naše schopnosti a zároveň zachovat hodnoty a standardy, díky nimž jsou knihovny nepostradatelnými kulturními institucemi. Budoucnost AI v knihovnách budou psát odborníci, kteří rozumějí jak technologiím, tak jedinečnému významu knihoven pro zachovávání a zpřístupňování lidského vědění.
Průvodce tématy digitální vědy a datové vědy naleznete zde.
Z anglického originálu přeložil Roman Hájek s využitím AI nástrojů ChatGPT 5.1 a DeepL Translate.
- Wardleyho mapování je strategický nástroj, který vizuálně zobrazuje, jak se určité schopnosti, technologie nebo služby vyvíjejí v čase a jakou hodnotu přinášejí uživatelům, koncept představil Simon Wardley, využívá se k plánování a tvorbě inovačních strategií (pozn. překladatele). ↩︎
MIA RIDGE je kurátorkou digitálních sbírek Dědictví Západu (Western Heritage) v British Library. Pomáhá vytvářet podmínky pro inovativní výzkum založený na digitálních/digitalizovaných sbírkách British Library. V září 2025 vystoupila na konferenci Knihovny současnosti 2025.
