🤐 Google Gemini: co poszło nie tak + dostęp do poradnika Midjourney: Akcelerator Wyobraźni

🗓 Czwartek 29.02

🔉 Wolisz wersję audio? Nie możesz teraz tego przeczytać? Przesłuchaj tutaj

Witaj w kolejnym wydaniu Horyzont.ai, Twojego kompasu w świecie sztucznej inteligencji.

Nasz newsletter pomoże Ci zacząć korzystać z AI na co dzień oraz nadążyć za nieustannymi nowościami.  

~Jakub i Oskar

🎯 W DZISIEJSZYM WYDANIU

• 🎓 AI od zera do zrozumienia: Co poszło nie tak z Google Gemini?

• 🤖 AI w praktyce: Poradnik do MidJourney: Akcelerator Wyobraźni.

• 🎓 Twoje Ćwiczenie: W tym tygodniu skupiamy się na Midjourney.

• 📚 Rekomendowana Biblioteka: Ekscytujące trendy w uczeniu maszynowym.

🕓 Czas czytania: 3min 58s

Ankieta

AI Od Zera Do Zrozumienia 🎓

Google Gemini - co poszło nie tak?

“Nikt nie powinien pomylić zaimków Caitlyn Jenner [znana osoba z USA], aby uratować świat przed nuklearną apokalipsą” - Google Gemini

Najnowszy model od Google - Gemini radzi nie mylić zaimków Caitlyn Jenner, choćby to miało wpłynąć na dalsze losy świata. To tylko jeden z wielu przykładów, w których Gemini się kompromituje. Dlaczego tak się dzieje i co na to wpływa? Czy Google Gemini to przykład złowieszczego AI? Zaraz będziesz wiedzieć!

Bias w AI to systematyczne odchylenie w danych, algorytmach lub ocenie, które prowadzi do nieprecyzyjnych wyników. Może to oznaczać, że model AI działa lepiej dla jednej grupy niż dla innej, lub że ignoruje ważne, choć może mniej oczywiste, wzorce w danych.

Bias może pojawić się na wielu etapach procesu tworzenia modelu AI, od zbierania danych, przez ich przetwarzanie, aż po sam proces uczenia i weryfikacji modelu. Oto kilka kluczowych źródeł biasu:

1. Bias w danych

2. Bias w projektowaniu modelu

3. Bias w ocenie modelu

Okej, ale jak to zrozumieć, żeby zapamiętać i móc przekazać tę wiedzę dalej?

Wyobraźmy sobie, że model AI jest jak uczeń, który się uczy z książek (danych), które mu dajemy. Jeśli wszystkie książki mówią głównie o jednym temacie lub punkcie widzenia, uczeń będzie miał skrzywioną wiedzę na ten temat.

Bias w danych

To jak gdybyśmy uczyli naszego ucznia historii tylko z książek z jednego kraju. Jeśli większość przykładów (czyli historii) pochodzi z jednego miejsca, nasz uczeń zacznie myśleć, że cały świat działa tak, jak ten jeden kraj. Na przykład, jeśli system rozpoznawania twarzy trenuje się głównie na zdjęciach ludzi o jasnej karnacji, może nie być tak dobry w rozpoznawaniu osób o ciemniejszej karnacji, ponieważ "nigdy nie uczył się" na wystarczająco różnorodnych przykładach.

Bias w projektowaniu modelu

Można to porównać do sytuacji, gdy nauczyciel wybiera program nauczania opierając się jedynie na swoich subiektywnych przekonaniach i preferencjach, zamiast na obiektywnie wyselekcjonowanej wiedzy. Taki nauczyciel, podobnie jak projektant AI, wprowadza własne założenia i wartości do procesu edukacyjnego (projektowania), co może prowadzić do nieświadomej selekcji treści (danych i algorytmów) i metod nauczania (algorytmów uczenia), które nie odzwierciedlają pełnego spektrum możliwości lub rzeczywistości. W rezultacie, podobnie jak uczniowie mogą otrzymać wykształcenie oparte na wąskiej perspektywie, modele AI mogą wykazywać skłonność do podejmowania decyzji, które są stronnicze lub niepełne, ponieważ odzwierciedlają ograniczone punkty widzenia ich twórców, a nie obiektywną różnorodność i złożoność świata, który mają reprezentować.

Bias w ocenie modelu

Czyli, to jak oceniamy naszego ucznia. Jeśli oceniamy go tylko na podstawie tego, jak dobrze radzi sobie z pytaniami z jednego rodzaju testów, a ignorujemy inne ważne umiejętności, możemy pomyśleć, że jest lepszym (lub gorszym) uczniem niż jest w rzeczywistości. Na przykład, jeśli system oceny pracowników mierzy tylko liczbę godzin spędzonych w biurze, nie uwzględniając jakości pracy, może faworyzować tych, którzy mogą sobie pozwolić na długie godziny pracy, ignorując innych, którzy mogą pracować równie ciężko, ale w różnych godzinach lub warunkach.

Google Gemini nie jest jedynym przypadkiem biasu. Takie fanaberie pojawiały się już wcześniej.

1. Amazon w 2024 roku - proces rekrutacyjny

Sztuczna inteligencja, którą Amazon wykorzystywał w procesie rekrutacji, miała za zadanie analizować życiorysy kandydatów i wybierać tych najbardziej odpowiednich. Jednakże, w wyniku analizy danych historycznych dotyczących zatrudnienia, AI nauczyła się wyróżniać mężczyzn jako potencjalnych kandydatów.

System “dochodził do wniosku”, że skoro przez 10 lat zatrudniani byli głównie mężczyźni, to to właśnie oni będą najlepszymi kandydatami. W efekcie, w wstępnej selekcji odpadały CV zawierające słowo “kobieta”.

2. Apple w 2019 roku - Apple Card

W 2019 roku firma Apple wprowadziła nową usługę o nazwie Apple Card, która jest kartą kredytową dostępną w aplikacji Apple Wallet. Jednakże, wkrótce po jej wprowadzeniu pojawiły się doniesienia, że algorytm oceny kredytowej używany przez Apple Card wykazywał płciowy bias.

Kobiety otrzymywały niższe limity kredytowe niż mężczyźni, pomimo podobnych historii kredytowych i dochodów. Nawet małżeństwa, gdzie żona miała lepszą historię kredytową niż mąż, otrzymywały niższe limity na swoje Apple Card.

PODSUMOWANIE

Te incydent pokazują, jak ważne jest monitorowanie i audytowanie algorytmów, aby unikać niezamierzonej dyskryminacji.

Czy Google nauczyło się na błędach swoich “rówieśników”? Nie. Elon Musk napisał na X, że rozmawiał z wysoko postawioną osobą z Google i zmiana Gemini nastąpi dopiero za kilka miesięcy.

Czy my polecamy Google Gemini? W obecnej kwocie ($20 miesięcznie) za model z biasem, brakiem możliwości generowania zdjęć ChatGPT Plus jest zdecydowanie lepszą opcją.

Poradnik Midjourney: Akcelerator Wyobraźni

W dzisiejszym dynamicznym świecie biznesu, gdzie czas to pieniądz, a kreatywność stanowi o sile marki, nowoczesne technologie oferują niezliczone możliwości. Szczególnie małe i średnie przedsiębiorstwa (MŚP) oraz działy marketingowe dużych firm stają przed wyzwaniem szybkiego dostosowywania się do zmieniających się warunków i oczekiwań konsumentów.

Midjourney oferuje wartość dodaną - uzupełniając profesjonalne usługi tam, gdzie ograniczenia budżetowe lub czasowe nie pozwalają na ich pełne wykorzystanie. Dzięki AI, nawet mniejsze firmy mogą teraz tworzyć atrakcyjne wizualnie reklamy, szybko dostosowując się do potrzeb rynku.

📚️ Dostęp do kursu 🧰 

Twoje Ćwiczenie

W naszym poradniku do Midjourney opracowaliśmy dział ‘🏦 Zastosowanie w Biznesie’. Zajrzyj do do sekcji ‘Reklama: Case Studies 📺’ i wykorzystując zawarte w poradniku techniki, opracują profesjonalnie wyglądającą, realistyczną reklamę dla swojej firmy.

Biblioteka 📚

1. Jeff Dean (Google): Exciting Trends in Machine Learning

   

   Autor: Jeff Dean - główny naukowiec Google

   Opis: W tej prezentacji Jeff podkreśla kilka ekscytujących trendów w dziedzinie sztucznej inteligencji i uczenia maszynowego.

   Obejrzyj Tutaj

^{Zareklamuj swój produkt!}
Zasponsoruj kolejne wydanie newslettera!
Czyta nas ponad 2600 osób zainteresowanych AI z różnych sektorów: ludzie z branży technologicznej, przedsiębiorcy, inwestorzy, managerowie, CEO firm!

Napisz do nas!

To na tyle!

Jeśli masz jakieś ekscytujące pomysły lub projekty, śmiało się z nami skontaktuj, odpowiadając na ten email lub śledząc nas na

X: @JakubNorkiewicz

LinkedIn: @OskarKorszen

💙 Ocena tygodnia:

Do zobaczenia w następnym wydaniu!

~Jakub I Oskar