ხელოვნური ინტელექტის მიერ გენერირებული მენიუების „ერთფეროვნების“ პრობლემა: რატომ გვიკარგავს მადას იდეალური ფოტოები?

კაფეში შესვლისას შესაძლოა შეამჩნიოთ ბეიგელების ან სენდვიჩების მენიუ, სადაც თითოეული ილუსტრაცია ზედმეტად სრულყოფილი, სიმეტრიული და უცნაურად გლუვია. ეს ხშირად იწვევს შინაგან განცდას, რომ რაღაც რიგზე ვერ არის. ეს არ არის პარანოია; რესტორნების ბიზნესში სულ უფრო ხშირად მკვიდრდება გენერაციული ხელოვნური ინტელექტის მიერ შექმნილი მენიუები, რომლებიც გაწვრთნილია ვიწრო, „სასიამოვნო“ ესთეტიკაზე. შედეგად მიღებული პროდუქტი კი ხშირად არაბუნებრივად გამოიყურება, მაშინაც კი, როცა ამის მიზეზის ზუსტად ჩამოყალიბება რთულია.

ზოგჯერ ეს ილუსტრაციები აშკარად ყალბია — მაგალითად, ბურიტო, რომლის ყველიც იმდენად ბუშტუკოვანი და გამდნარია, რომ უფრო ავანგარდულ ხელოვნებას ჰგავს, ვიდრე სადილს. თუმცა, უფრო ხშირად ისინი იმდენად ჩვეულებრივად გამოიყურება, რომ ხარვეზს მხოლოდ დაკვირვების შემდეგ ამჩნევთ. Reality Defender-ის ტექნიკურმა დირექტორმა, ალექს ლაისლმა TechCrunch-თან საუბრისას აღნიშნა: „ეს ჰგავს უცხოპლანეტელს, რომელიც ცდილობს პიცის მომზადებას მისი ძირითადი პრინციპების გაგების გარეშე“.

ლაისლის განმარტებით, ამ მოდელების აგების პრინციპი ხსნის იმ სპეციფიკურ ესთეტიკას, სადაც ნაყინის ყოველი ბურთულა იდეალურად მრგვალია, ხოლო კრევეტები ზოგჯერ ისეა გამოსახული, თითქოს საკუთარ კუდებს ჭამენ, რაც ერთგვარ „კულინარიულ საშინელებებს“ ქმნის. დიდი ენობრივი მოდელები (LLM) და დიფუზიური მოდელები, რომლებიც ChatGPT-სა და Midjourney-ს მუშაობას უზრუნველყოფენ, მონაცემთა უზარმაზარ რაოდენობაზე იწვრთნებიან. მოდელები ამ მონაცემებში პოულობენ კანონზომიერებებს, რათა იწინასწარმეტყველონ, რას ეძებს მომხმარებელი, როდესაც ის, მაგალითად, ბურგერების რესტორნის მენიუს შექმნას ითხოვს.

მონაცემთა ერთფეროვნება და მოდელის კოლაფსი

ხელოვნური ინტელექტის მოდელებისთვის ახალი სასწავლო მონაცემები ფასდაუდებელია. თუმცა, როდესაც მოდელები ზედმეტად ბევრ საკუთარ, AI-გენერირებულ კონტენტზე იწვრთნებიან, ჩნდება „მოდელის კოლაფსის“ რისკი. ლაისლი ამას „ძროხის ცოფს“ ადარებს: როდესაც ერთი მოდელის გამონატანი (output) ისევ მასვე მიეწოდება სასწავლებლად, საბოლოოდ ხდება ხარისხის მკვეთრი გაუარესება და სისტემა კოლაფსირდება.

ამ ეტაპზე მენიუების შემთხვევაში უფრო მეტად „კონვერგენცია“ (შერწყმა) შეინიშნება, რაც ნაკლებად რადიკალურია, ვიდრე კოლაფსი, თუმცა მაინც აქვეითებს ხარისხს. თუ ვინმე ხელოვნურ ინტელექტს სწრაფი კვების ობიექტის მენიუს შექმნას სთხოვს, მოდელი სავარაუდოდ დაეყრდნობა ისეთი პოპულარული ქსელების მენიუებს, როგორიცაა Wendy’s, Burger King ან McDonald’s. ვინაიდან ამ მენიუებს ისედაც მსგავსი სტილი აქვთ, AI-გენერირებული შედეგი კიდევ უფრო აძლიერებს ამ ერთფეროვნებას.

„მონაცემთა ნაკრების ოპტიმიზაცია ხდება იმისთვის, რომ შედეგი იყოს სასიამოვნო ან არაშეურაცხმყოფელი, რაც საბოლოოდ ჰომოგენიზაციაში გადადის. ხელოვნური ინტელექტი, როგორც გამოსახულებებში, ისე ენაში, ცნობილია იმით, რომ ის 'კუთხეებს ამრგვალებს'“, — აცხადებს ლი რეინი, ელონის უნივერსიტეტის ციფრული მომავლის ცენტრის დირექტორი.

ექსპერიმენტი: 100 რედაქტირების ეფექტი

ეს პრობლემა განსაკუთრებით თვალსაჩინო ხდება მაშინ, როდესაც AI-ით შექმნილ მენიუში ცვლილებები შეგაქვთ. X-ის (ყოფილი Twitter) მომხმარებელმა Labtec-მა აჩვენა, რა ხდება, როდესაც ChatGPT-ში შექმნილ მენიუს 100-ჯერ დაარედაქტირებთ. ყოველი ცვლილებისას საკვები სულ უფრო ნაკლებად ჰგავდა რეალურს. ექსპერიმენტის გამეორებისას მსგავსი შედეგი მიიღეს სხვა მკვლევრებმაც — საბოლოო გამოსახულება იმდენად არაბუნებრივი ხდება, რომ დისკომფორტს იწვევს.

რესტორნები ხშირად ხდებიან ამ პრობლემის მსხვერპლნი, როდესაც AI-მენიუებში მცირე დეტალებს, მაგალითად, ფასებს ან კერძების სახელებს არაერთგზის ცვლიან. ყოველი რედაქტირებისას საკვების ფოტოები სულ უფრო მეტად მრგვალდება და პრიალდება. რეინის თქმით, ადამიანებს აქვთ თითქმის აუხსნელი ინტუიცია იმის შესახებ, თუ როდის უყურებენ ხელოვნურად შექმნილ გამოსახულებას. ეს არის შეგრძნება, რომლის ჩამოყალიბებაც რთულია, მაგრამ დანახვისთანავე ხვდებიან.

მეცნიერული ახსნა და „უცნაური ხეობის“ ეფექტი

ამ უარყოფითი რეაქციის უკან მეცნიერული საფუძველი დგას. გერმანიის დუისბურგ-ესენის უნივერსიტეტის მკვლევრებმა დაადგინეს, რომ AI-გენერირებული საკვების ფოტოები იწვევს „უცნაური ხეობის“ (uncanny valley) ეფექტს. საკვების გამოსახულებები, რომლებიც თითქმის რეალურად გამოიყურება, მაგრამ მაინც აკლია ბუნებრიობა, უფრო მეტ ზიზღსა და შფოთვას იწვევს ადამიანებში, ვიდრე აშკარად ყალბი ფოტოები.

ეს პრობლემა სცილდება მხოლოდ კულინარიის სფეროს. ალექს ლაისლის თქმით, სამყარო ფუნდამენტურად შეიცვალა: „ადრე დანახვა და მოსმენა დაჯერებას ნიშნავდა, იქამდეც კი, რომ ჩვენი სასამართლო სისტემებიც კი მტკიცებულების ოქროს სტანდარტად ვიდეოჩანაწერებსა და აღიარებებს მიიჩნევდნენ. ეს დრო დასრულდა. სამყარო შეიცვალა, უკეთესობისკენ თუ უარესობისკენ, ეს სხვა საკითხია“.

თუ მომხმარებლები ასე ნეგატიურად რეაგირებენ ამ გამოსახულებებზე, ეს ალბათ საკმარისი მიზეზია იმისთვის, რომ რესტორნებმა ხელოვნური ინტელექტის მენიუების გამოყენებაზე უარი თქვან.