Obywatel Bielik. Uczymy sztuczną inteligencję rozpoznawać polską kulturę [Gość INFOR.PL]

• AI ma nauczyć się Polski
• Kluski śląskie pomylone z francuskimi makaronikami
• Maczanka krakowska jako… pulled pork
• Nie tylko zabytki i tradycyjne potrawy
• Prawie 6000 zdjęć w kilka tygodni
• Dlaczego nie wystarczy Internet?
• Zdjęcia użytkowników nie są publiczne
• Milion zdjęć jako cel
• Pięć minut dla polskiej AI
• Otwarty model zamiast zamkniętej technologii
• AI, która rozumie nie tylko język, ale i kontekst

Sztuczna inteligencja coraz lepiej radzi sobie z rozpoznawaniem obrazów. Problem w tym, że jej wiedza nie zawsze odpowiada lokalnym realiom. Globalne modele mogą bez problemu identyfikować najbardziej popularne miejsca, potrawy czy przedmioty, ale znacznie gorzej radzą sobie z tym, co charakterystyczne dla konkretnych krajów i regionów.

Właśnie tę lukę chce wypełnić projekt Obywatel Bielik.
– Zapraszamy wszystkie te osoby, aby współtworzyły polską sztuczną inteligencję w kierunku stworzenia pierwszego polskiego modelu multimodalnego – mówi Marcin Dąbrowski, Chief AI Officer w 3Soft i lider projektu Obywatel Bielik.

AI ma nauczyć się Polski

Obecny Bielik jest modelem tekstowym. Projekt Obywatel Bielik ma rozszerzyć jego możliwości o kolejną modalność – przede wszystkim rozpoznawanie obrazów.

Do tego potrzebne są jednak odpowiednie dane. Model musi otrzymać nie tylko zdjęcia, ale również ich opisy. To właśnie połączenie fotografii i informacji o tym, co się na niej znajduje, jest podstawą tworzonego zbioru treningowego.

– Najważniejsza to jest para, zdjęcie i opis. Samo zdjęcie bez opisu jest treningowo dużo mniej przydatne – podkreśla Dąbrowski.
Dlatego aplikacja Obywatel Bielik została zaprojektowana tak, aby jej obsługa była możliwie prosta. Użytkownik może zrobić zdjęcie, dodać opis i w ten sposób dołożyć swoją „cegiełkę” do budowy bazy danych.

Pomysł jest skierowany do wszystkich – nie tylko osób związanych z technologią. Twórcy projektu liczą również na udział seniorów, którzy mogą wnosić wiedzę o historii, kulturze i codziennym życiu, której nie zawsze da się znaleźć w łatwo dostępnych zbiorach internetowych.

Kluski śląskie pomylone z francuskimi makaronikami

Jednym z przykładów, który stał się impulsem do rozpoczęcia projektu, były kluski śląskie. Po pokazaniu ich jednemu z popularnych modeli AI system miał rozpoznać je jako francuskie makaroniki. Inny model wskazał z kolei surowe donaty.

Jak podkreśla Dąbrowski, nie chodzi jednak o jedno zabawne zdjęcie. Twórcy projektu przeprowadzili szerszy benchmark obejmujący ponad 400 fotografii dotyczących m.in. polskiej kultury, tradycji, kulinariów i zabytków.

Wyniki – jak mówi rozmówca – pokazały, że istniejące modele często słabo albo bardzo słabo rozpoznają polski kontekst kulturowy.
Problem nie musi oznaczać błędu projektantów globalnych modeli. Zdaniem Dąbrowskiego wynika on przede wszystkim z proporcji danych dostępnych w internecie.

Globalne systemy mają ogromną ilość materiałów związanych z kulturą anglosaską i najbardziej popularnymi globalnie obiektami. Znacznie mniej jest natomiast danych dotyczących polskich regionalizmów, tradycji, potraw czy miejsc.

– Te modele nie mają się czego nauczyć, nie mają się nauczyć na podstawie tych zdjęć, nie mają tych danych. A my właśnie dzięki aplikacji chcemy zebrać te dane, aby ten model wytrenować – tłumaczy lider Obywatela Bielika.

Maczanka krakowska jako… pulled pork

Przykładów regionalnych problemów jest więcej.
W rozmowie pojawia się maczanka krakowska. Po pokazaniu jej jednemu z modeli AI system miał określić ją jako pulled pork, czyli szarpaną wieprzowinę podawaną w bułce.

Dla człowieka znającego lokalną kuchnię różnica jest oczywista. Dla modelu – bez odpowiednich danych – już niekoniecznie.
Jeszcze trudniejsze mogą być regionalne niuanse. To, co w jednej części Polski jest oczywistą nazwą potrawy czy produktu, w innej może być określane zupełnie inaczej.

Twórcy Obywatela Bielika chcą właśnie takie różnice zachować. W przyszłości aplikacja ma umożliwiać tworzenie bardziej szczegółowych, tematycznych grup i akcji, dotyczących np. regionalnej kuchni czy lokalnych zwyczajów.

Nie tylko zabytki i tradycyjne potrawy

Jakie zdjęcia są najbardziej potrzebne?
Przede wszystkim te związane z polskim kontekstem: zabytki, kulinaria, przyroda, ale również miejsca codziennego życia i elementy charakterystyczne dla różnych okresów polskiej historii, w tym PRL.

Co ważne, nie trzeba mieć profesjonalnego aparatu ani umiejętności fotograficznych.
Twórcy projektu wręcz zachęcają do przesyłania zdjęć przeciętnych – poruszonych, krzywych czy wykonanych spontanicznie smartfonem.

Powód jest prosty: jeżeli model ma działać w rzeczywistym świecie, musi nauczyć się rozpoznawać również zdjęcia wykonane w rzeczywistych warunkach.
Projekt nie chce przy tym ograniczać modelu wyłącznie do Polski. Potrzebne są również fotografie zagraniczne. Model powinien bowiem umieć rozróżnić polski kotlet schabowy od wiedeńskiego sznycla, a nie tylko nauczyć się rozpoznawać polskie obiekty.

Prawie 6000 zdjęć w kilka tygodni

Aplikacja wystartowała w lipcu. Początek był dla twórców pozytywnym zaskoczeniem.
W ciągu niespełna 48 godzin użytkownicy przesłali ponad 1000 zdjęć. Po ponad trzech tygodniach było ich już blisko 6000.

Twórcy zwracają jednak uwagę, że liczba zdjęć nie jest jedynym kryterium sukcesu. Bardzo ważna jest ich jakość treningowa, a szczególnie unikalność.

Najcenniejsze są fotografie wykonane przez użytkowników, które nie były wcześniej dostępne w internecie. Dzięki temu model może otrzymać materiały, których inne systemy prawdopodobnie wcześniej nie widziały.

Dlaczego nie wystarczy Internet?

Skoro w sieci znajdują się miliony zdjęć Polski, można zapytać, po co w ogóle specjalna aplikacja.
Jednym z powodów są prawa do wykorzystania danych.

Twórcy Obywatela Bielika deklarują, że chcą pozyskiwać dane w sposób legalny i etyczny. Nie zamierzają masowo kopiować z internetu zdjęć, których licencje nie pozwalają na wykorzystanie ich do trenowania modeli AI.

Fotografia opublikowana w mediach społecznościowych nie staje się automatycznie materiałem, który można wykorzystać do treningu sztucznej inteligencji. Dlatego potrzebny jest mechanizm pozwalający użytkownikom świadomie przekazywać dane do tego celu.

Zdjęcia użytkowników nie są publiczne

Istotnym elementem projektu jest również kwestia prywatności.
Zdjęcia przesłane przez użytkownika nie są automatycznie publikowane innym osobom korzystającym z aplikacji. Dostęp do nich ma użytkownik oraz zespół treningowy, który później przetwarza dane.

Twórcy projektu wyraźnie wskazują również, jakich materiałów nie należy przesyłać. Chodzi m.in. o zdjęcia twarzy, dzieci, dokumentów oraz materiały nawołujące do nienawiści czy w inny sposób szkodliwe społecznie.
Cel jest inny: stworzenie modelu, który będzie rozpoznawał polską kulturę, tradycję i historię, a nie ludzi.

Milion zdjęć jako cel

Czy istnieje liczba zdjęć, po której można powiedzieć, że model jest już odpowiednio wytrenowany?
Zdaniem Dąbrowskiego trudno wskazać taki moment. Świat się zmienia, pojawiają się nowe obiekty, zwyczaje i informacje, dlatego modele również wymagają ciągłego rozwijania.

W przypadku Obywatela Bielika przyjęto jednak konkretny, mierzalny cel: milion zdjęć.

Nie oznacza to końca projektu. Po zebraniu dużej, ogólnej bazy danych potrzebne będą również działania celowane. Aplikacja może być wykorzystywana np. do stworzenia tygodnia poświęconego konkretnej kuchni regionalnej czy kulturze określonego regionu.
To podejście ma pozwolić uzupełniać te obszary, w których danych będzie nadal zbyt mało.

Pięć minut dla polskiej AI

Marcin Dąbrowski przekonuje, że udział w projekcie nie musi oznaczać wielkiego zaangażowania.
Jego zdaniem wystarczy poświęcić kilka minut, które zwykle przeznaczamy na przeglądanie mediów społecznościowych czy filmów w internecie.

– Te pięć minut i parę opisanych zdjęć to takie cyfrowe cegiełki do budowy naszego modelu – mówi.
W praktyce może to być zdjęcie potrawy w restauracji, krajobrazu podczas wakacji, zabytku, charakterystycznego miejsca czy przedmiotu, który dla Polaka jest oczywisty, ale dla globalnego modelu AI już niekoniecznie.

Otwarty model zamiast zamkniętej technologii

Projekt ma również ambicję stworzenia rozwiązania dostępnego szeroko dla użytkowników i firm.
Bielik rozwijany jest w formule open source. Zgodnie z deklaracją przedstawioną w rozmowie również przyszły model multimodalny ma być dostępny na otwartej licencji.

Oznacza to możliwość pobrania modelu, zainstalowania go i budowania na nim własnych rozwiązań czy startupów bez konieczności płacenia fundacji za samo wykorzystanie modelu.
To podejście ma jednak swoją cenę. Trening dużych modeli AI wymaga ogromnej mocy obliczeniowej i energii. Projekt korzysta w tym zakresie m.in. z superkomputera Helios przy AGH w Krakowie, którego partnerem technologicznym jest Cyfronet.
Finansowanie bieżących działań opiera się natomiast na partnerach i sponsorach.

AI, która rozumie nie tylko język, ale i kontekst

Obywatel Bielik to w gruncie rzeczy próba odpowiedzi na szersze pytanie: czy polska sztuczna inteligencja ma być tylko narzędziem mówiącym po polsku, czy również systemem, który rozumie Polskę?

Rozpoznanie języka to jedno. Zrozumienie tego, czym jest maczanka krakowska, kluski śląskie, regionalny sposób nazywania potraw, charakterystyczny zabytek czy element codziennego życia – to już zupełnie inne wyzwanie.

Do jego rozwiązania potrzebne są dane.
I właśnie dlatego twórcy Obywatela Bielika chcą, aby w ich zbieraniu uczestniczyli nie tylko informatycy i specjaliści od AI, ale zwykli użytkownicy smartfonów.

Milion zdjęć nie ma być końcem projektu. Ma być początkiem budowy polskiego multimodalnego modelu AI, który będzie potrafił patrzeć na świat również z polskiej perspektywy.