ProtoStar chce připravit veřejná data pro výzkum i umělou inteligenci

Vědecká data jsou veřejná, ale často nepoužitelná

Výzkumná data mohou být dostupná na internetu a přesto zůstat prakticky zamčená. Část materiálů leží v PDF souborech, část v tabulkách s nejednotnými sloupci a další data jsou rozdělená mezi institucionální weby. Člověk se k nim někdy dostane. Pro software, který má informace automaticky vyhledat, porovnat a použít, je to podstatně složitější.

Project ProtoStar chce tento problém řešit podporou takzvaných AI-ready formátů. Nejde pouze o převod dokumentu do jiného typu souboru. Dataset potřebuje také popis původu dat, licenci, metadata, informace o omezeních, způsob použití a ideálně i ukázkový kód. Bez těchto údajů je dataset podobný součástce vytažené z krabice bez návodu. Možná funguje, ale nikdo přesně neví jak.

Hugging Face projekt oznámil 29. října 2026. Mezi zakládající partnery patří Carnegie Mellon University, Purdue University, Georgia Institute of Technology, Arizona State University, The George Washington University, Astera Institute, Open Forum for AI, Open Research Community Accelerator a Hugging Face jako infrastrukturní partner. Zapojené organizace svou účast formalizují prostřednictvím memorand o porozumění.

Projekt podle oznámení Hugging Face navazuje na existující požadavky na zveřejňování výsledků veřejně financovaného výzkumu. Americká federální vláda podle stejného zdroje investuje do výzkumu a vývoje přibližně 190 miliard dolarů ročně. Veřejná dostupnost výsledků ale sama o sobě neříká nic o tom, zda data někdo dokáže znovu použít.

ProtoStar chce propojit data, kód a dokumentaci

Projekt stojí na třech částech. První je podpora vědců a institucí při zveřejňování datasetů, modelů, zdrojového kódu a dokumentace v otevřených a strojově čitelných formátech. Druhou částí jsou dlouhodobá místa, kde lze materiály verzovat, aktualizovat a dohledat. Třetí část tvoří otevřené soutěže a hackathony, které mají ukázat, zda lze zveřejněné zdroje skutečně použít v novém výzkumu.

Tohle rozdělení je důležité. U vědeckých dat totiž nestačí jednorázové nahrání souboru. Dataset se může změnit, model může mít několik verzí a pravidla licence mohou omezovat komerční využití nebo práci s citlivými údaji. ProtoStar počítá s metadaty, správou verzí a jasnými instrukcemi pro další uživatele. Podrobnější doporučení popisují také materiály Hugging Face pro přípravu veřejných dat na AI.

Hugging Face uvádí, že jeho platforma hostí přes 17 000 veřejných datasetů z hlavních vědeckých oblastí. Patří mezi ně genomika, návrh proteinů, chemie, počasí, klima, pozorování Země a astronomie. Po započtení medicíny a matematiky se podle firmy počet blíží 29 000 datasetů. Jde o údaje platformy Hugging Face, nikoli o nezávislý soupis celé světové vědecké infrastruktury.

Tempo zveřejňování navíc podle Hugging Face roste. V prvních devíti měsících roku 2026 výzkumníci na platformě sdíleli více než trojnásobný počet nových vědeckých datasetů ve srovnání se stejným obdobím roku 2025. Firma současně uvádí, že 18 veřejných repozitářů NCBI na Hugging Face dohromady získalo přes 11 milionů stažení. Repozitáře NASA IMPACT měly k 26. říjnu 2026 přibližně 770 000 stažení.

Dokumentace mění hodnotu datasetu

Čísla o staženích ale nejsou totéž jako počet skutečně dokončených výzkumných projektů. Ukazují spíše zájem a dostupnost. Pro další práci je důležité, zda uživatel rozumí tomu, co data obsahují a jak vznikla.

Studie publikovaná na arXivu analyzovala dokumentaci 7 433 datasetů na Hugging Face. Autoři zjistili rozdíly v úplnosti dokumentace a upozornili, že část datasetových karet má slabě popsané informace o omezeních použití, dostupnosti a reprodukovatelnosti. Hugging Face na základě této práce uvádí, že 90 procent stažení datasetů pochází z plně dokumentovaných zdrojů. To neznamená, že dokumentovaný dataset je automaticky kvalitní. Zvyšuje však šanci, že mu další tým porozumí a dokáže jej správně použít.

První soutěž se zaměří na klimatická rizika

První ProtoStar výzvu pořádá Carnegie Mellon University. Poběží od 2. do 13. listopadu 2026 a pracovat bude s historickými meteorologickými záznamy ze 210 měst ve Spojených státech.

Účastníci mají využít data nejpozději do roku 2018 a předpovědět skutečné podmínky pro další období. Hodnotit se bude průměrná roční teplota, celkový roční úhrn srážek, nejteplejší den v roce a takzvané cooling degree days. Tento ukazatel souvisí s potřebou chlazení budov a spotřebou energie na klimatizaci.

Výsledky se nebudou porovnávat pouze mezi sebou. Organizátoři je postaví také proti jednoduchým statistickým základům, například historickému průměru a lineárnímu trendu. To je rozumné nastavení. Model umělé inteligence může vypadat chytře, ale pokud nepřekoná jednoduchou metodu, jeho přidaná hodnota je malá.

Každý tým má kromě předpovědi navrhnout také krátký nápad pro adaptaci města na klimatické riziko. Může jít například o reakci na extrémní horko, změny srážek nebo energetickou náročnost chlazení. Výsledná data a výstupy mají být odevzdány jako dataset na Hugging Face. Výkon předpovědí se bude měřit na veřejném žebříčku a výsledky mají vyjít začátkem roku 2027, až budou k dispozici kompletní záznamy za rok 2026.

Podle stránky Project ProtoStar je soutěž otevřená zájemcům z řad akademických pracovníků, studentů, nezávislých vývojářů i firem, které staví na otevřené infrastruktuře.

Co to znamená pro české výzkumníky

Datasety, modely i kód publikované v rámci projektu ProtoStar na platformě Hugging Face jsou volně přístupné i pro výzkumníky, studenty a vývojáře z Česka a celé Evropské unie. Stejně tak je otevřená účast v soutěžích pořádaných Carnegie Mellon University a dalšími partnery. V evropském prostředí řeší obdobnou standardizaci a sdílení otevřených vědeckých dat iniciativa EOSC (European Open Science Cloud). Pro české týmy tak může být ProtoStar praktickou ukázkou toho, jak připravit data přímo pro strojové učení.

První soutěž sice staví na datech z amerických měst, její hlavní přínos pro české prostředí však spočívá v metodice a infrastruktuře. Testuje se zde obecný princip: zda a jak dokážou modely strojového učení překonat tradiční statistické přístupy při práci s reálnými historickými řadami.

Pro univerzity a veřejné výzkumné organizace je důležité také to, že ProtoStar nepožaduje zveřejnění každého výsledku bez rozdílu. Organizace si mají ponechat kontrolu nad tím, které materiály jsou vhodné k publikaci a za jakých podmínek. To je nutné u dat s osobními údaji, bezpečnostními omezeními, licenčními podmínkami nebo citlivým biologickým obsahem.

Hugging Face současně uvádí, že platforma patří mezi obecné repozitáře uvedené v přehledu National Library of Medicine. To z ní nedělá náhradu za specializované databáze. Genomická, meteorologická nebo klinická data mohou dál potřebovat oborové repozitáře s vlastními standardy. ProtoStar tento model doplňuje, nikoli ruší.

Největší problém bude mimo samotné modely

ProtoStar se nesoustředí na vydání nového jazykového modelu ani na benchmarky soupeřící s komerčními giganty. Jádrem projektu jsou data, dokumentace a pravidla jejich opakovaného použití. Jde o otevřenou vědeckou infrastrukturu propojující výzkumné instituce s komunitou kolem strojového učení.

Největší otázkou bude, zda se podaří změnit každodenní práci institucí. Zveřejnit dataset je technický úkol. Připravit jej tak, aby mu rozuměl jiný tým za dva roky, je úkol organizační. Vyžaduje čas, odpovědnost, správné licence a lidi, kteří umějí data nejen vyprodukovat, ale také popsat.

První klimatická výzva ukáže, zda otevřeně publikované vědecké zdroje povedou k výsledkům, které překonají jednoduché statistické metody. Do té doby je Project ProtoStar hlavně soubor pravidel, partnerství a infrastruktury. Jeho první ověření začne 2. listopadu 2026.

FAQ