Artificiell intelligens rätar ut frågetecken om porslinsföremål

Föreställ dig att du förvaltar en stor samling värdefulla historiska porslinsföremål som skapar stort intresse. Du vill att den ska vara tillgänglig, men en stor arbetsinsats krävs för att hantera frågor om föremålen. Det var där någonstans som fröet till en ny, användarvänlig tjänst med en modern AI-lösning började gro. Plus en lycklig omständighet, när två parter kopplades samman — RISE och Rörstand Museum. 

Utmaningen för öppna samlingar

Rörstand Museum ligger ett stenkast från Lidköpings stora torg, i den gamla porslinsfabriken som under den blomstrande tiden var en stor arbetsgivare för drygt 1700 anställda. Här finns en gigantisk samling som spänner över 300 år av porslinshistoria, med drygt 1800 föremål i magasinen. Stora delar av samlingarna är tillgängliga för allmänheten, sex dagar i veckan. 

— Vi började fundera på hur vi skulle kunna tillgängliggöra samlingarna för porslinsintresserade på ett ännu bättre sätt och det var då AI-tanken dök upp, berättar My Johansson Dufva som är VD på Rörstrand Museum.

Med öppna samlingar kommer även frågor — många frågor! Med den utmaningen plus en nyfikenhet på att utvecklas, startade museet ett AI-projekt för drygt tre år sedan tillsammans med forskare på RISE Centrum för tillämpad AI.

— Tanken är att med modern AI-teknik skapa en användbar tjänst vars prototyp ska vara i bruk i vår, säger Olof Mogren som är forskningsledare på Centrum för tillämpad AI vid RISE.

Planen är att nyttja AI för att möta mängden frågor, något som kräver stora resurser för att besvara manuellt via e-post. Många frågor kräver att personal behöver leta efter svaren i det fysiska magasinet  — ett detektivarbete som kräver tid, engagemang och hög kompetens. Ofta blir svarsprocessen långsam och dessutom leder svar till nya följdfrågor. 

— Vi får cirka 1500 frågor per år och att enbart att besvara alla frågor kräver en anställd. Där såg vi både en möjlighet att effektivisera arbetet och göra svarshanteringen snabbare, men också potentialen i att fler intresserade får ta del av svaren, förklarar My. 

Lösningen

Vanliga och återkommande frågor till museet om föremål handlar om allt från vem konstnären är, namn på serviser, upplaga, till vilka delar som finns i samma servis. 

Projektet inleddes med att, tillsammans med RISE och forskare på Centrum för tillämpad AI, sätta upp en AI-modell som fick träna på professionella fotografier av drygt 5000 föremål som fanns i ett digitalt föremålshanteringssystem. 

Vikten av bra träningsdata 

En AI-modell baserad på djup maskininlärning (deep learning) har tränats på de bilder som finns i den digitala samlingen. Ur Rörstands kundperspektiv var det viktigast att modellen skulle lära sig att känna igen konstnär och tillverkningsår. 

— Vi modellerar föremålens ålder och vem som skapat föremålen. Modellen kan också bestämma vilken typ av föremål det är, förklarar Olof. 

Genom bildanalys, började forskargruppen på RISE därför att undersöka undersidan på porslinsföremålen. Där finns ofta användbar information i form av stämplar och logotyper. En objektigenkänningsmodell (YOLO) känner igen objekten och markerar ”boxar” där den hittar saker. När loggan är igenkänd är det lättare att bestämma åldern på föremålet, eftersom Rörstrands logga har utvecklats under de cirka 300 år som produktionen varit i gång.

— Genom att känna igen olika logotyper är datering möjlig att precisera på årtionde, säger Olof Mogren.

Utmaningar och lärdomar 

Det man upptäckte i första steget var att datan från museets samlingar inte var tillräcklig för att göra säkra analyser. Däremot fick My och hennes personal redan nu en oväntad positiv sidoeffekt - nya lärdomar! AI:n gjorde nämligen egna slutsatser och gav personalen nya insikter, som till exempel att största delen av materialet som fanns digitaliserat representerades av endast åtta konstnärer. 

— Ur ett forskarperspektiv kan däremot samma statistik belysa en svårighet, nämligen att träningsdatan representerar för få konstnärer, kompletterar Olof Mogren. 

En annan problematik var att man inte alltid historiskt sett har namngett serviser, och då finns inga svar varken för personal eller AI. Den tredje utmaningen var att träningsbilderna var för perfekta (de var skapade med professionell kamera, med hög skärpa, och mot enfärgad bakgrund). Paradoxalt kan det innebära att träningsdatan inte blir tillräckligt representativ, och en resulterande AI-lösning inte blir robust nog att användas på bilder som porslinsfantaster har tagit i sina hem. 

— För att kunna träna en AI-modell på bilder krävs en stor mängd bilder. Vi bygger en robust modell som ska klara att tolka olika bildkvalitet och då behöver vi träna den på bilder tagna i olika ljusförhållanden, med olika stökig bakgrund och till och med suddiga bilder, förklarar Olof. 

Även om en datamängd är tillräcklig så måste den alltså vara representativ, och utgöra exempel på de bilder som slutanvändaren har när de ställer frågor om föremålen. 

Förbättringsområden och nästa steg

Nästa steg blev därför att öka den representativa datamängden. Därför uppmuntrades användare att ladda upp egna bilder på porslinsföremål, som komplement till de professionella studiobilder som man redan hade i systemet. Det gjorde man genom att bygga en plattform för att engagera allmänheten, som fick möjlighet att själva skicka in sina egna bilder och skriva in vad det var för föremål. Målet var att göra AI-modellen robustare. 

— Det finns alltid ett visst mått av osäkerhet i svar från en AI-modell. I detta projekt använder vi modeller med osäkerhetskvantifiering, där AI-systemet kan ange hur säker den är på en analys. För att det ska bli tydligt för slutanvändaren så kommer AI-verktyget svara med ett språk som är anpassat efter osäkerhetskvantifieringen; exempelvis om den är osäker på en analys så kan den ange vilka två formgivare som det står och väger mellan eller ange ett ungefärligt tidsspann för tillverkningsår, förklarar Olof. 

Projektet bidrar till ökad konkurrenskraft och öppet samhälle

Genom den här typen av samarbeten mellan forskare vid Centrum för tillämpad AI och intressenter med verkliga samhällsutmaningar, stärks utvecklingen av tjänster i Sverige vilket bidrar till ett konkurrenskraftigt och öppet samhälle. Projektet ska mynna ut i en fullt användbar lösning som Rörstrand Museum ska kunna använda i sitt arbete från och med i vår. Genom projektet stärks inte bara museets roll som kunskapsbank utan man drar också nytta av det stora engagemang och den kompetens som finns bland porslinssamlare. 

— Det har varit oerhört spännande att samarbeta med forskare på RISE, och om vi lyckas få AI:n att svara på frågor som vi inte kan idag är det oerhört värdefullt. Det kommer även bli en lösning som är applicerbar på andra samlingar och det är kul att ligga i framkant för den utvecklingen, avslutar My.  

Mer läsning: AI-forskning