Istraživanje Laboratorija za računalne znanosti i umjetnu inteligenciju MIT-a pokazalo je kako bi za dovoljno velike modele AI-ja moglo biti teško dokazati koje su konkretno slike korištene za obuku umjetne inteligencije.
“Propadanje atribucije”, kako su istraživači nazvali fenomen uočen tijekom studije, znači kako utjecaj bilo kojeg pojedinačnog dijela podataka o obuci postaje sve teže otkriti kako veličina skupa podataka raste.
Sa skaliranjem modela i skupova podataka, uklanjanje pojedinačne slike može napraviti malu ili nikakvu mjerljivu razliku u generiranom rezultatu. Slično vrijedi i za situacije u kojima biva uklonjen cijeli umjetnikov rad ili slike određene osobe.
Ako uklanjanje određenog dijela podataka ne promijeni izlaz, postaje teško taj izlaz smisleno pripisati uklonjenom primjeru.
Moguće je kako je umjetna inteligencija naučila i preuzela vizualne obrasce iz ogromnog skupa podataka, ne jednog konkretnog djela. Proučavanjem milijuna slika naučila je elemente kao što su kompozicija, osvjetljenje, teksture i umjetnički stilovi.
Rezultati istraživanja su objavljeni u časopisu Nature Communications.
Imaju li implikacija na opću raspravu o tome mogu li AI tvrtke koristiti materijal zaštićen autorskim pravima bez dopuštenja? Ne nužno jer su se istraživači bavili znatno užim pitanjem – tražili su odgovor na pitanje može li se pokazati kako je određena slika treninga izravno utjecala na određeni rezultat generiran umjetnom inteligencijom.
Pripremio: M.W.
Foto: Julien Tromeur | Unsplash
