将集合数据检查转化为AI对话

作为 Digital Collections 团队的一员，藏品数据经理 Gareth Watkins 为博物馆各部门的 kaimahi 提供支持，维护 EMu（Te Papa 的藏品管理系统）中信息的准确性，确保该系统能够支撑超过一百万件藏品、taonga 和自然历史标本的记录与管理。在本文中，Gareth 分享了他如何制作一份对 AI 友好的报告，让 kaimahi 能够就藏品数据提问，并找到与自身工作最相关的信息。

在之前的一篇博客中，我介绍了 2024 年 4 月引入的季度藏品数据检查，目的是帮助维持 Te Papa 藏品信息的良好状态。目前检查项已超过九十项，涵盖登记、存放位置、物品分类、分类学、影像和出版等领域。

每个季度，这些数据检查都会产生大量有用的信息。难点在于帮助 kaimahi 理解这些数字的含义，并找到与自身工作最相关的结果。藏品管理员、策展人和高层管理者各自关心的问题并不相同。

为了让结果更有用，我最近设计了一份对 AI 友好的纯文本报告，可以上传到 Microsoft Copilot——它运行在 Te Papa 受管理的 Microsoft 环境中。这样一来，kaimahi 就能通过提出与自身工作相关的问题来探究季度结果，而不必透过一个预设的单一视角来看数据。

把背景信息写进文件

为了给 AI 模型提供背景，我在报告中纳入了最新结果、用于识别趋势的往季数据、每项检查的说明，以及 Te Papa 的《意向声明》等更广泛的信息。

这些背景信息对于帮助模型理解数字至关重要。有些检查项指出的是改进机会而非错误，另一些则因为藏品规模或性质而自然得出较大的数字。

报告明确要求模型只使用所提供的信息，解释不熟悉的检查项，不要为结果编造原因，并在无法回答某个问题时如实说明。

报告还把结果对应到 Ngā Tikanga Whakahaere Kohinga Taonga a Te Papa /《藏品照护与实践框架》，该框架描述了十五个领域的标准，包括登记、存储、保护与获取。

这就把讨论从“有多少条记录符合这项检查？”转向“这对登记、风险、数字获取、审计或藏品照护意味着什么？”

为人和机器同时设计

报告用 Python 生成，保存为 Markdown 格式的文本文件。Markdown 用基本的标题、列表和表格来组织文本，AI 模型容易解析，人读起来也不费劲。

让报告对人保持可读性尤其重要，因为在 Te Papa 使用 AI 工具时，人工审核 AI 生成的内容是一项核心要求。下图是一个 Markdown 表格的示例：

报告只包含记录和问题的汇总计数，不含单件藏品或 taonga 的详细信息、当前位置、估值或其他敏感信息。

汇总也让文件足够小，能轻松放进模型的上下文窗口——也就是 AI 在一次对话中能考虑的信息量。

Kaimahi 可以问什么？

这种报告方式的真正优势在于，AI 模型可以针对提问者的具体问题和需求来调整回答。

入门提示词可以是这样：

给策展人：“我是负责 Art 藏品的策展人。请解释与我的藏品最相关的结果，包括相比前几个季度的显著变化。”

给领导层简报：“为高层领导准备一份简明简报。重点关注进展、新出现的风险、数字访问，以及有针对性的投入可能带来改变的领域。”

要总体概览：“总结本季度结果中最重要的模式，并标出随时间推移的显著变化。”

之后 kaimahi 还可以追问、针对不同受众调整回答，或者要求换一种输出形式，比如信息图。

信息图

可视化摘要很适合用来传达结果，但需要格外小心。比如，我让 Copilot 做一张信息图，展示按藏品分类的实物展出件数。

仅为示例数字

鸟类、艺术和植物部分的数字是准确的，但图中还出现了表演艺术、军事史和纺织品。这些名称并未出现在源报告中，也不是我们藏品管理系统中有效的藏品名称。相关藏品实际上分散在历史、Taonga Māori、太平洋文化和摄影等藏品类别中。 那么，这些藏品名称和数字从何而来？ 当我让 Copilot 解释结果时，它表示图像生成是次要步骤，并用看似合理的内容填补了它感知到的空白。 我发现，更成功的信息图制作方式是把流程拆成两步。首先，让 AI 找出信息图的关键要点和数字，然后创建一个新提示词，其中包含生成图像中应出现的准确文本和数字。 我认为这里的一个关键教训是，要养成质疑 AI 生成结果的习惯，并要求模型说明其信息来源或展示它使用的计算过程。

质疑、交叉核对与验证

反思交叉核对和人工验证时，我发现另一个经过批准的 AI 模型可以为 AI 生成内容提供有用的初审。 在信息图这个例子中，第二个模型（通过 ChatGPT）很快识别出了源报告不支持的那些藏品名称和数字。不过，两个 AI 模型之间的一致也不能证明某事就是正确的，因为它们可能同时忽略或重复同一个错误。归根结底，人工验证仍然必不可少，尤其是当结果可能影响藏品保护和访问活动时。 在我设计的这个对 AI 友好的报告中，AI 并不对藏品做决定，也不取代藏品专家的知识。它的作用是帮助 kaimahi 浏览、比较和传达已经存在的信息。AI 在这里的价值不在于它比我们知道得更多，而在于它为我们提供了与已有信息互动的实用新方式。