Polecamy na Śląsku

Polscy badacze pokazują, jak nauczyć sztuczną inteligencję wrażliwości użytkownika

2023-04-17, Autor: tora, źródło: PAP Mediaroom

(Fot. pixabay)
Społeczeństwo się starzeje. Możemy sobie wyobrazić, że w przyszłości będą istniały roboty do opieki nad osobami starszymi, z którymi będzie się można porozumieć językiem naturalnym - tłumaczy Jan Kocoń z PWr.

Ludzie nie są identyczni, jeśli chodzi o ich wrażliwość na treści. Różne treści ich oburzają, smucą, rozśmieszają. Polski zespół pokazuje, jak nauczyć sztuczną inteligencję (SI) wrażliwości konkretnego użytkownika.

Reklama

Politechnika Wrocławska: pionierskie badania nad wrażliwością sztucznej inteligencji

Zespół z Politechniki Wrocławskiej (PWr) prowadzi pionierskie badania nad zastosowaniem głębokich modeli językowych do oceny zadań subiektywnych. Wyniki publikowane były w czasopismach Information Fusion, Information Processing & Management oraz omawiane na konferencji ICDM.

Kto kiedyś prosił asystenta Google o opowiedzenie żartu, wie, że żarty te zamiast sprawiać, że śmiejemy się do łez, wywołują częściej jedynie uśmieszek. A to dlatego, że sztuczna inteligencja uznaje na razie za śmieszne to, co za śmieszne może uznać większość osób, a nie konkretny użytkownik. A do rozpuku śmiejemy się raczej, gdy coś specyficznie nas zaskoczy i trafi w nasz gust. Ten zaś wcale nie musi pokrywać się z gustem większości.

Zobacz także

W przetwarzaniu języka naturalnego na ogół ważne było dotąd uczenie algorytmów pewnych ogólnych, dających się obiektywnie stwierdzić zasad. Tak jest chociażby w przypadku znaczenia słów, poprawności językowej, rozpoznawania pisma odręcznego, rozpoznawania języka tekstu.

Przyjęło się więc, że aby nauczyć algorytmy tych obiektywnych reguł, trzeba dostarczyć spójnych danych. Np. daje się jakieś zadanie językowe do wykonania wielu ludziom (tzw. anotatorom) i odpowiedź, którą większość z nich oceniła jako prawdziwą - przekazuje do nauki algorytmom. Zadania, w których jest spora rozbieżność zdań, na ogół są na wstępie odrzucane i nie służą algorytmom do nauki.

Są jednak zjawiska językowe, których ocena co do zasady nie jest obiektywna. To choćby zjawiska związane z emocjami. Czy dany tekst cię śmieszy? Czy oburza? Jakie budzi emocje? Różne osoby mogą na to samo pytanie odpowiedzieć zupełnie inaczej. I każdy z nich będzie miał rację. Wcale nie jest przecież tak, że jeden rodzaj wrażliwości jako jedyny jest słuszny, a resztę należy ignorować. To, co rozśmiesza do łez jedną osobę, inną może oburzyć, a jeszcze inną zasmuci. Co więc powinny sądzić o tych treściach algorytmy, skoro ludzie nie są zgodni co do ich oceny?

Nauczyć sztuczną inteligencję rozpoznawać nastrój użytkownika

Zdaniem dr. Jana Koconia z Politechniki Wrocławskiej powinniśmy wiedzieć, jak nauczyć algorytmy, że dany użytkownik nie życzy sobie takich a takich treści, jakieś inne treści uważa za szczególnie zabawne, a inne wywołują w nim smutek.

- Kiedyś zwrócili się do mnie studenci, którzy chcieli opracować filtr do rozpoznawania mowy nienawiści. Jednak nie ma uniwersalnej definicji, co to jest mowa nienawiści. Każdego z nas obrażają nieco inne treści. Nawet jeśli wiemy, jak odsiewać treści niewątpliwie niezgodne z prawem i opracujemy globalny filtr, to i tak znajdą się osoby, które w treściach znajdą coś, czego nie życzą sobie widzieć - mówi dr Kocoń.

Stąd pomysł, żeby nauczyć sztuczną inteligencję subiektywnych ocen. W czasie uczenia języka algorytm analizowałby nie tyle decyzję większości badanych, ale odpowiedzi poszczególnych anotatorów i poszukiwałby na tej podstawie spersonalizowanych zależności. W ten sposób uczyłby się, jak przewidywać, które treści spodobają się jednym osobom, a innym - nie.

Jeśli użytkownicy mogliby potem wskazywać algorytmowi, które napotkane treści im się podobają, a które nie - model uczyłby się wrażliwości danego użytkownika.

- Ten pomysł nie jest zupełnie nowy. System rekomendacji YouTube czy Facebooka działa na podobnej zasadzie: znając historię decyzji użytkownika, portale proponują treści, które spodobały się podobnym użytkownikom. Nasz model odnosi się jednak nie tylko do analizy podobieństwa zachowań użytkowników, ale i zjawisk językowych - do analizy reprezentacji ocenianych treści - opisuje dr Kocoń.