Project ProtoStar: AI-ready formában a közpénzes kutatás

Mi a Project ProtoStar?

A Hugging Face október 29-én jelentette be a kezdeményezést (Hugging Face). A lényeg: a közpénzből finanszírozott tudományos datasetek, modellek és kódok gépileg feldolgozható, dokumentált, AI-ready formában kerüljenek nyílt infrastruktúrára. A résztvevő szervezetek erről memorandum of understandinget írnak alá.

• Alapító egyetemek az Open Forum for AI (OFAI) koalíción keresztül: Carnegie Mellon, Purdue, Georgia Tech, Arizona State, illetve a George Washington University.
• További partnerek: az Astera Institute, a Hugging Face infrastruktúra partnerként, illetve az ORCA közösségi partnerként.

Miért kell ez?

Az amerikai szövetségi kormány évente nagyjából 190 milliárd dollárt költ K+F-re. Az NIH és az NSF ráadásul egyre szigorúbban várja el az adatok megosztását. A blogposzt szerint viszont a nyilvános adat még nem feltétlenül használható: szétszórt rendszerek, régi formátumok, hiányzó metaadat és dokumentáció nehezíti az újrahasznosítást, főleg AI rendszereknek.

A Hugging Face saját számai szerint több mint 17 ezer nyilvános tudományos dataset van a Hubon, ez orvoslással és matematikával együtt közel 29 ezer. 2026 első kilenc hónapjában háromszor annyi új tudományos datasetet osztottak meg, mint egy évvel korábban. A cég adata szerint a dataset letöltések 90%-a teljesen dokumentált datasetekre esik.

Az első challenge: Climate Risk Intelligence

A Carnegie Mellon által hostolt challenge november 2. és 13. között fut. A csapatok 210 amerikai város 2018-ig tartó időjárási adataiból jósolják meg a 2019 és 2026 közötti tényleges értékeket: éves átlaghőmérséklet, éves csapadék, az év legmelegebb napja, illetve cooling degree days. Az eredményeket egyszerű statisztikai baseline-okhoz mérik egy nyilvános leaderboardon, a beadás egy Hugging Face dataset. Emellett egy rövid klímaadaptációs policy ötletet is kérnek. A végleges eredmények 2027 elején jönnek, amikor a teljes 2026-os adat elérhető.

Mit jelent ez neked?

Ha tudományos adatokkal dolgozol, egyre több dokumentált, közvetlenül betölthető dataset lesz a Hubon, ami rövidebb adatelőkészítést jelent. A challenge jó gyakorlópálya arra, hogy egy AI modell tényleg veri-e az egyszerű baseline-t. Kutatóhelyeknek pedig minta arra, hogyan lehet a megosztási kötelezettséget használható formában teljesíteni.