К пути к надёжному ИИ в сфере культурного наследия

Почему умные инструменты важны для нашего прошлого

От развалин храмов до хрупких пергаментов — современные специалисты по наследию опираются на цифровые инструменты, чтобы понять и сохранить следы человеческой истории. Искусственный интеллект (ИИ) может просеивать огромные объёмы изображений, сканов и записей гораздо быстрее человека, но он также способен неправильно интерпретировать или исказить истории, которые хранят эти объекты. В этой статье рассматривается, как сделать ИИ не только мощным, но и справедливым, прозрачным и заслуживающим доверия при его применении к изучению и охране культурного наследия.

Новые помощники для старых сокровищ

Музеи, археологи и реставраторы обращаются к ИИ для классификации фотографий, картирования повреждений зданий и восстановления утраченных деталей разрушенных объектов. Приёмы, изначально созданные для беспилотных автомобилей или онлайн-торговли, теперь помогают интерпретировать старинные мозаики, скульптуры и исторические улицы. При этом данные культурного наследия необычно неупорядочены и неравномерны: одни регионы и эпохи богато задокументированы, тогда как о других остаются лишь разрозненные записи. Если ИИ учится преимущественно на известных памятниках и западных коллекциях, он может игнорировать или неверно интерпретировать наследие меньшинств или менее прославленных мест. В статье утверждается, что поскольку культурное наследие формирует идентичности и память, ошибки в этой области — это не просто технические сбои, а этические проблемы.

Где алгоритмы могут ошибаться

Авторы выделяют множество путей, по которым предвзятость может проникнуть в ИИ, применяемый к наследию. Часть предвзятостей вытекает из пробелов в данных: например, повреждённые мозаики, где отсутствующие плитки сбивают системы распознавания шаблонов, или исторические источники, в которых целые сообщества не упомянуты. Другие связаны с тем, кто представлен в наборах данных: популярные коллекции часто фокусируются на монетах, иконах и зданиях из Европы, оставляя вне представительства объекты не‑западных культур. Даже при наличии материалов метки могут различаться между экспертами, а фотографии известных мест в социальных сетях отражать туристические ракурсы, а не местные перспективы. Статья группирует эти проблемы по категориям — отсутствующие данные, недопредставленность меньшинств, контекстуальные различия между регионами и устаревшие представления, зафиксированные в старых сканах или архивах. Для каждого типа предлагаются практические меры: расширять коллекции, включать в них нарративы меньшинств и регулярно обновлять цифровые модели по мере изменений объектов.

Делая машинные решения понятными

Доверие, как утверждают авторы, зависит не только от лучших данных, но и от более ясных объяснений. Многие современные системы ИИ действуют как «чёрные ящики»: они маркируют арку как готическую или стену как повреждённую, не показывая причин. В статье предлагается многоуровневый подход к объяснимости. Один уровень рассматривает внутреннюю механику модели, другой — то, как местная история и контекст влияют на решения, а другие сосредоточены на практическом значении результата и степени уверенности системы. Объяснения могут быть глобальными, описывающими поведение системы в целом, либо локальными, касающимися отдельного предсказания для конкретного здания или артефакта. Чтобы оценить, действительно ли эти объяснения полезны, авторы определяют простые ориентированные на человека метрики, такие как удовлетворённость пользователя, любопытство, доверие и влияние на качество принимаемых решений.

Проверка рамочной модели на реальных данных наследия

Чтобы увидеть, как их идеи работают на практике, исследователи пересматривают ранее созданную систему ИИ, анализирующую плотные 3D‑точечные облака исторических зданий. Эта система очень хорошо автоматически назначает каждому скоплению точек архитектурные элементы — арки, окна или колонны, — но она не была разработана с учётом справедливости и прозрачности. При оценке по новым этическим метрикам эксперты обнаружили, что они лишь отчасти понимают, как система пришла к своим выводам, и что система мало что делает для объяснения альтернативных интерпретаций. Авторы предлагают использовать более современные модели, встраивающие объяснения в свою конструкцию. Такие модели сравнивают части здания с изученными «прототипными» формами и подсвечивают примеры, которые повлияли на присвоение конкретной метки, чтобы специалисты по наследию могли видеть и обсуждать рассуждения, а не просто принимать непрозрачный ответ.

Создание защищённых от времени хранителей культуры

Проще говоря, в статье утверждается, что ИИ должен помогать человеческому суждению в работе с наследием, а не бесшумно заменять его. Систематически выявляя предвзятость и требуя, чтобы системы объясняли свои выборы понятным экспертам языком и визуальными средствами, предлагаемая рамочная модель стремится сохранить соответствие ИИ ценностям инклюзивности, точности и уважения к культурному разнообразию. Авторы отмечают, что аналогичные этически ориентированные подходы могли бы принести пользу и в чувствительных сферах, таких как здравоохранение, образование и экология. Для культурного наследия послание ясно: доверять можно только тому ИИ, который прозрачен, справедлив и открыт для вопросов, если он должен помогать рассказывать истории нашего общего прошлого.

Цитирование: Paolanti, M., Frontoni, E. & Pierdicca, R. Towards trustworthy AI in cultural heritage. npj Herit. Sci. 14, 131 (2026). https://doi.org/10.1038/s40494-026-02403-z

Ключевые слова: культурное наследие, надёжный ИИ, алгоритмическая предвзятость, объяснимый ИИ, сохранение наследия