Как да различим с невъоръжено око работата на ИИ от човешката работа и как е уреден въпросът за авторството
Развитието на изкуствения разсъдък постоянно провокира съмнение измежду скептиците, които имат вяра, че технологията може да размени индивида в работните процеси. Разбира се, невронните мрежи могат да автоматизират задания, само че към момента не са постигнали естествено мислене, заради което работата с ИИ към момента може да се разграничи от човешката.
Европейската асоциация за софтуерно инженерство организира изследване измежду жителите си, с цел да разбере по какъв начин да разграничат работата на машината от индивида.
Може ли невронната мрежа да свърши работата по-добре от индивида?
Струва си да стартираме с това, дали изкуственият разсъдък е по-ефективен от хората при осъществяването на избрани задания. Главният анализатор на осведомителните технологии на Raiffeisen Bank Виктор Кльоба означи, че AI оказва помощ за усъвършенстване на рутинните процеси, като обработка и подредба на финансовите документи, разбора на държанието на клиентите, разкриване на лъжливите транзакции и други
Според него обаче качеството на работата на машината зависи от настройката и образованието на логаритмите. По този метод човешкият запас може да обезпечи по-добър резултат при дилемите, които изискват фина и контекстуална оценка. Компанията непрестанно работи върху възстановяване на успеваемостта на AI, с цел да обезпечи висококачествено обслужване на клиентите.
Ръководителят по Разработката на систематични решения Александър Шкодин прибавя, че в областта на ИТ невронните мрежи към този момент играят ролята на „ помощници на програмиста “. Инструменти като Github Copilot, ChatGPT, Jetbrains AI Assistant, Amazon CodeWhisper и други оказват помощ за понижаване на времето, прекарано в рутинна работа.
Но машините към момента са надалеч от човешкото равнище. Въпреки че AI може да спести време на програмистите, към момента е прекомерно рано да се разчита на логаритъм за генериране на пълностоен код. Алгоритмите за образование оказват помощ за възстановяване на качеството на генериране, само че за разлика от човешкия разсъдък, те работят по модел, макар че могат да оказват помощ с усъвършенстването на съществуващия код.
Как да отличим машинния текст от човешкия
Генеративните модели са достигнали задоволително положително равнище на развиване, тъй че в този момент може да бъде много мъчно да се разграничи AI текста от човешкия. Изкуственият разсъдък обаче има присъщи особености, които оказват помощ за разкриване на генерирания текст даже с просто око. Експертите показват следните особености:
Текстовите блокове, генерирани от невронна мрежа, могат да имат избрана повторяемост, което може да демонстрира, че са генерирани автоматизирано. Машинният текст може да съдържа необикновени синтактични структури или граматически неточности, които рядко се срещат в текст, генериран от хора. Машинният текст може да бъде логически, само че да няма връзка с предходния или следващ подтекст, да липсва логическа конструкция и поредност в представянето на хрумвания или събития. Невронните мрежи са склонни да повтарят показаните хрумвания със сходни изречения.Значението на тези функционалности обаче може да варира според от логаритъма, качеството на генеративния модел, заложената поръчка и други характерности, тъй че те не постоянно са явни.
Самият AI обаче може да помогне за разкриване на активността на AI: за тази цел съществуват специфични принадлежности, които проучват стила на речта и логическата връзка на текста. Виктор Клиоба загатва такива стратегии като LIME (Local Interpretable Model-agnostic Explanations) или SHAP (SHapley Additive Explanations). Освен това, с цел да пресъздавате работата на невронната мрежа, можете да употребявате и принадлежности, които ви разрешават да изграждате графики или да изобразявате активирането на неврони в другите пластове на мрежата. На собствен ред Олександър Шкодин предлага потреблението на ChatGPT, ZeroGPT и CopyLeaks.
Как да отличим генерираните изображения
Генеративните модели на изображения в действителност могат да бъдат сложни за разбор. Олександър загатва, че AI може да генерира творби на изкуството, които да бъдат приети даже от специалисти и да печелят състезания за художници или да основава изображения на виртуален фотомодел, които носят обилни доходи.
По този метод една добре настроена невронна мрежа може да сътвори изображение, което е неразличимо от фотография или рисунка. За да се разграничи висококачественото дийпфейк видео, може да е нужен разбор от специалисти по компютърна графика и редактиране на видео. Понякога специфични принадлежности, като Deepware Scanner или Reality Defender, също могат да се оправят с това.
Но Виктор припомня, че в случай че приказваме за общоприета невронна мрежа без съществени настройки, тогава тук всичко е доста по-просто. На първо място, всеки AI за генериране на изображения има собствен личен образен жанр. Проявява се във фантастична или извънредно идеална атмосфера на изображението — детайли на абстракция и липса на елементи, присъщи за действително изображение.
Освен това AI може да пренебрегне някои елементи, правейки изображението да наподобява необичайно или нелогично. Например, в случай че става дума за портрети, тогава може да срещнете неестествена поза, погрешен брой пръсти и други елементи и така нататък
Как да решим въпроса за авторството на творбите, основани от невронна мрежа
Въпросът за авторството на творбите на ИИ остава сложен и нерешителен и до през днешния ден. Тази тематика изисква дълга полемика и уместно решение, подкрепено със закон. Ако една машина генерира някаква интелектуална благосъстоятелност, не е известно дали тя може да бъде напълно благосъстоятелност на потребителя, който я е генерирал, или ще остане благосъстоятелност на машината.
Олександър Шкодин също ни припомня за следните точки, които би трябвало да бъдат взети под внимание в полемиката: в случай че приказваме за GAN (Generative Adversarial Network), тогава всичко, което AI генерира сега, се основава на творби на изкуството или текст, изработен от човек преди този момент. Същността на концепцията е композиция от две невронни мрежи, в които работят по едно и също време два логаритъма — „ генератор “ и „ дискриминатор “.
Задачата на генератора е да основава изображения от дадена категория (посочва се векторът за генериране на изображенията). Задачата на дискриминатора е да се опита да разпознае основаното изображение (снимка на човек, картина, текст или друго, въз основата на огромен модел отрязва нереалистични данни/двоичен класификатор). Следователно, макар че наличието се генерира автоматизирано, то е резултат от модел, направен от човек.
“Днес изкуственият разсъдък, кадърен да мисли почти като човек, е към момента в начален етап. Така актуалният AI генерира наличие от резултатите от човешката активност. Поради това машината не може да бъде пълновръстен създател на творбите си. “
Виктор Кльоба означи, че сега полемиката сред държавните управления на разнообразни страни продължава. Някои специалисти обмислят отбрана на авторските права върху компютърните стратегии и логаритми, участващи в основаването на наличие, до момента в който други размишляват върху нови подходи към интелектуалната благосъстоятелност.
Понастоящем нито едно законодателство не контролира изцяло въпроса за авторството и интелектуалната благосъстоятелност в подтекста на ИИ. Въпреки това Европейският парламент неотдавна одобри „ Закона за изкуствения разсъдък “, който има за цел да контролира и ограничи противозаконното потребление на невронни мрежи. Вярно, към този момент става дума за най-потенциално рисковите приложения, само че по-късно би трябвало да се вземе поради въпросът за авторството.
