Współczesna sztuczna inteligencja robi ogromne postępy, ale wciąż potrafi nas zaskoczyć swoimi błędami interpretacyjnymi. Postanowiliśmy sprawdzić, jak radzi sobie najnowszy model w obliczu typowo polskich wyzwań wizualnych. Naszym pierwszym testem było zdjęcie surowych klusek śląskich, potrawy, która jest nieodłącznym elementem lokalnej kuchni.
Błędne rozpoznawanie regionalnych specjałów
Kiedy przesłaliśmy obraz tych tradycyjnych pierogów, odpowiedź algorytmu była zaskakująco daleka od prawdy. Model sugerował, że na zdjęciu widoczne są kamienie lub nawet surowe donuty przed usmażeniem. Wcześniej inne wersje oprogramowania identyfikowały je jako francuskie makaroniki, co również nie ma nic wspólnego z rzeczywistością śląską.
Ten błąd jest szczególnie irytujący, ponieważ pokazuje brak zrozumienia kontekstu kulturowego. Algorytmy uczą się na ogromnych zbiorach danych, które często są zdominowane przez treści anglojęzyczne lub globalne. W rezultacie specyficzne detale polskiej kuchni stają się dla nich niewyraźnymi kształtami bez znaczenia.
Problem z symbolami narodowymi
Nie tylko jedzenie stanowi wyzwanie. Przeprowadziliśmy również test związany z rozpoznawaniem symboli historycznych. Wysłaliśmy zdjęcie kotwicy polskiej walczącej, znaku o głębokim znaczeniu patriotycznym i historycznym w Polsce.
Odpowiedź sztucznej inteligencji była równie myląca jak w przypadku klusek. Zamiast zidentyfikować symbol oporu, model uznał go za logo jakiegoś youtubera przedstawiającego zaciśniętą pięść. Takie błędy mogą mieć poważne konsekwencje, zwłaszcza gdy narzędzia te są wykorzystywane do moderacji treści lub edukacji.
Dlaczego mniejsze modele zawodzą bardziej?
Warto zauważyć, że duże modele językowe radzą sobie raz lepiej, raz gorzej, ale to mniejsze modele wizyjne pokazują prawdziwą tragedię w rozpoznawaniu kontekstu polskiego. Często kompletnie nie potrafią zinterpretować obrazów związanych z naszą kulturą.
Te błędy wynikają z niedostatecznego reprezentowania polskich realiów w danych treningowych. Jeśli algorytm nie widział wystarczającej liczby przykładów klusek śląskich czy kotwicy w odpowiednim kontekście, nie będzie potrafił ich poprawnie sklasyfikować.
Nasza misja: Bielik Wizyjny
W odpowiedzi na te wyzwania rozwijamy projekt o roboczej nazwie Bielik Wizyjny. Chcemy stworzyć model, który będzie nie tylko rozumiał język polski tekstowo, ale także „widział” polską kulturę tak samo dobrze.
Celem jest budowa systemu, który precyzyjnie rozpoznaje obrazy związane z naszą historią, kuchnią i symboliką. Nie ograniczamy się jednak tylko do Polski – chcemy, aby model był uniwersalny, ale z silnym akcentem na lokalne konteksty, które często umykają globalnym rozwiązaniom.
Praca nad tym projektem jest ciągła, ponieważ modele dynamicznie się uczą i ewoluują. Jednak świadomość tych ograniczeń pozwala nam lepiej projektować narzędzia, które służą użytkownikom w ich codziennym życiu, bez nieporozumień wynikających z braku kulturowego kontekstu.