Crowdsourcing 2: astronomia

W komentarzach do poprzedniego wpisu o crowdsourcingu MW wspomniał o projekcie The Commons z serwisu Flickr – rzeczywiście ciekawym, bo opartym na partnerstwie tłumu i instytucji pamięci: te drugie udostępniają swobodnie zdjęcia ze swoich archiwów, a tłum tworzy wartość dodaną poprzez ich opisywanie. Nie chodzi tylko o wyręczenie archiwistów – jest szansa, że rozproszona mądrość tłumu wie coś o zdjęciach, czego nie wie instytucja (i tu już, jak wspominałem zeszłym razem, mówimy o czymś innym niż crowdsourcing).

Przeglądałem w międzyczasie blog o crowdsourcingu – jego autor, tłumacząc się czemu tak mało miejsca poświęcił Google’owi, stwierdza, że o googlowskim crowdsourcingu można by napisać osobną książkę. Rzeczywiście Google uparcie korzysta i wykorzystuje tłum – za koronny przykład podaje się fakt, że mądrość systemu PageRank opiera się na rozproszonej mądrości internautów, którzy najpierw w inteligentny sposób linkują, a potem równie inteligentnie wybierają linki z oferty wyszukiwarki. A Google obserwuje i poprawia (zapewne jeszcze z ludzką pomocą) swoje algorytmy. Jednak przypadek Google’a – dlatego o nim wspominam – teź, w subtelny sposób, nie jest dla mnie crowdsourcingiem. Bo wtedy za taki należałoby uznać dowolną formę „data miningu” danych wygenerowanych przez dużą grupę osób.

Więc znów grozi nam rozmycie pojęcia – aby je sprecyzować proponuję dodać jeszcze jeden warunek: crowdsourcing traktuje tłum i jego członków jak ekspertów, gdy powszechnie są uważani za amatorów. I aktywnie prosi ich o ekspertyzę.

Obiecałem jednak kolejny przykład.

W specjalnym dodatku pisma „Nature”, zatytułowanym „Big data”, jest artykuł Sue Nelson „The Harvard computers”. Opisuje w nim kobiety, które pod koniec XIX wieku były zatrudniane w obserwatorium na Uniwersytecie Harvarda w roli komputerów. Tak już od początków XVIII wieku nazywano po angielsku ludzi przetwarzających informację – komputery z artyku zajmowały się przede wszystkim analizą zdjęć astronomicznych. Te „amatorki”, pozornie wykonujące powtarzalne zadania na potrzeby naukowców, okazywały się być z czasem ekspertkami, uznawanymi w środowisku i odpowiedzialnymi za istotne odkrycia. Badania prowadzone przez Henriettę Swan Leavitt nad Cefeidami pozwoliły wypracować później metodę oceniania odległości do gwiazd, a ostatecznie udowodnić rozszerzanie się wszechświata.

Pytanie, gdzie w tym wszystkim tłum? Nelson pokazuje, że XIX-wieczne komputery były prababkami współczesnego crowdsourcingu astronomicznego: szeregu projektów zatrudniających zdalnie tłum do wykrywania wzorów. Przykładowo, 23 000 uczestników projektu Stardust@Home przeanalizowało 40 milionów zdjęć w poszukiwaniu śladów pyłu gwiezdnego zebranych na sfotografowanych płytkach kolektora. (To zresztą przykład szalony, skoro jeden uczestnik przejrzał średnio 2 000 zdjęć!).

Koło się zresztą zamyka – w ramach projektu DASCH astronomowie z Harvardu chcą zeskanować całe archiwum fotograficzne obserwatorium – pół miliona zdjęć zrobionych na przestrzeni 100 lat – i nasłać na nich, zdalnie, astronomów amatorów.

Podoba mi się ten przykład, bo dobrze pokazuje profesjonalność pozornych amatorów, z której wynika wartość crowdsourcingu. To także ciekawy przykład wzajemnej wymiany ról przez ludzi i komputery. Ale o tym więcej w kolejnym, trzecim przykładzie.