Etiquetas de metadados geradas por IA da NASA — Etiquetagem automática por aprendizagem automática para a descoberta de dados abertos federais

O corpo de Informação Científica e Técnica (STI) da NASA abrange artigos científicos, relatórios técnicos, repositórios de software e outros conteúdos não estruturados espalhados por vários sistemas, historicamente etiquetados à mão com cerca de dez palavras-chave por documento, retiradas de uma taxonomia em evolução com mais de 20 000 termos padronizados.
A equipa do STI e a Equipa de Análise de Dados do OCIO da NASA construíram um sistema de etiquetagem automática baseado em aprendizagem automática e PLN, treinado com o corpo de 3,5 milhões de documentos já etiquetados do NASA Technical Reports Server, e disponibilizaram-no como software de código aberto — os repositórios concept-tagging-training e concept-tagging-api no GitHub — documentando-o como um estudo de caso 'proof point' da Estratégia Federal de Dados (publicado em maio de 2019).
O uso da ferramenta expandiu-se desde então para além do seu propósito original de etiquetagem de artigos, aplicando-se a outros dados não estruturados da NASA, e o estudo de caso apresenta-a explicitamente como um modelo que outras agências federais podem replicar com os seus próprios textos. Não foram publicados números de precisão, utilização ou de melhoria da capacidade de descoberta antes/depois, pelo que o seu impacto medido continua por demonstrar, apesar de o sistema estar em funcionamento há vários anos.