Akili Bandia huiba data yako kwa njia hii

Akili Bandia huiba data yako kwa njia hii

Kundi la watafiti katika vyuo vikuu vya Marekani na Uswizi, kwa ushirikiano na Google na kampuni yake tanzu ya DeepMind, walichapisha karatasi ya utafiti inayoeleza jinsi data inavyoweza kuvuja kutoka kwa majukwaa ya kuunda picha ambayo msingi wake ni miundo ya kijasusi ya kijasusi kama vile: DALL-E, Imagen, au Usambazaji Imara.

Zote hufanya kazi kwa njia ile ile kulingana na mtumiaji kuandika kwa haraka ya maandishi, kwa mfano, "kiti cha mkono katika umbo la parachichi", na kupata picha inayotokana na maandishi ndani ya sekunde.

Miundo ya uzalishaji ya AI inayotumiwa katika mifumo hii imefunzwa kwa idadi kubwa sana ya picha zilizo na maelezo yaliyoamuliwa mapema. Wazo ni kwamba mitandao ya neva inaweza kutoa picha mpya na za kipekee baada ya kuchakata kiasi kikubwa cha data ya mafunzo.

Hata hivyo, utafiti mpya unaonyesha kuwa picha hizi sio za kipekee kila wakati. Katika hali nyingine, mtandao wa neva unaweza kutoa tena picha ambayo inalingana kabisa na picha ya awali iliyotumika katika mafunzo. Hii ina maana kwamba mitandao ya neva inaweza kufichua maelezo ya faragha bila kukusudia.

Utafiti huu unapinga maoni ambayo miundo ya AI iliyotumiwa kutoa picha haihifadhi data yao ya mafunzo, na kwamba data ya mafunzo inaweza kubaki ya faragha ikiwa haitafichuliwa.

Toa data zaidi

Matokeo ya mifumo ya ujifunzaji wa kina inaweza kuwa ya kushangaza kwa wasio wataalamu, na wanaweza kufikiria kuwa ni uchawi, lakini kwa kweli, hakuna uchawi katika suala hilo, kwani mitandao yote ya neva huweka kazi zao kwa kanuni sawa, ambayo ni mafunzo. kutumia seti kubwa ya data, na maelezo sahihi ya kila Picha, kwa mfano: mfululizo wa picha za paka na mbwa.

Baada ya mafunzo, mtandao wa neva unaonyesha picha mpya na inaulizwa kuamua ikiwa ni paka au mbwa. Kutoka kwa hatua hii ya unyenyekevu, watengenezaji wa mifano hii huenda kwenye matukio magumu zaidi, na kuunda picha ya mnyama asiyepo kwa kutumia algorithm ambayo imefunzwa kwenye picha nyingi za paka. Majaribio haya hayafanyiki tu kwa picha, bali pia kwa maandishi, video na hata sauti.

Mahali pa kuanzia kwa mitandao yote ya neva ni seti ya data ya mafunzo. Mitandao ya neva haiwezi kuunda vitu vipya kutoka kwa hewa nyembamba. Kwa mfano, ili kuunda picha ya paka, algorithm lazima ijifunze maelfu ya picha halisi au michoro ya paka.

Juhudi kubwa za kuweka hifadhidata kwa siri

Katika karatasi zao, watafiti huzingatia zaidi miundo ya kujifunza kwa mashine. Hufanya kazi kama ifuatavyo: hupotosha data ya mafunzo-picha za watu, magari, nyumba, na kadhalika-kwa kuongeza kelele. Kisha, mtandao wa neva hufunzwa kurejesha. picha hizi kwa hali yao ya asili.

Njia hii inafanya uwezekano wa kutoa picha za ubora unaokubalika, lakini kikwazo kinachowezekana-ikilinganishwa na algorithms katika mitandao ya ushindani inayozalisha, kwa mfano-ni tabia yake kubwa ya kuvuja data. Data asili inaweza kutolewa kutoka kwayo kwa angalau njia tatu tofauti, ambazo ni:

Kutumia hoja mahususi kulazimisha mtandao wa neva kutoa taswira ya chanzo mahususi, si kitu cha kipekee kinachotokana na maelfu ya picha.
Picha asili inaweza kujengwa upya hata kama sehemu yake pekee inapatikana.
Inawezekana kuamua tu ikiwa picha fulani imejumuishwa kwenye data ya mafunzo au la.
Mara nyingi, mitandao ya neva ni mvivu na badala ya kutoa picha mpya, hutoa kitu kutoka kwa seti ya mafunzo ikiwa ina nakala nyingi za picha sawa. Ikiwa picha inarudiwa katika seti ya mafunzo zaidi ya mara mia, kuna uwezekano mkubwa sana kwamba itavuja katika fomu yake ya karibu ya asili.

Hata hivyo, watafiti walionyesha njia za kurejesha picha za mafunzo ambazo zilionekana mara moja tu katika seti ya awali.Kati ya picha 500 ambazo watafiti walijaribu, algorithm iliunda upya tatu kati yao.

Nani aliiba kutoka?

Mnamo Januari 2023, wasanii watatu walishtaki majukwaa ya kuunda picha ya AI kwa kutumia picha zao za mtandaoni kutoa mafunzo kwa wanamitindo wao bila heshima yoyote ya hakimiliki.

Mtandao wa neva unaweza kunakili mtindo wa msanii, na hivyo kumnyima mapato. Karatasi hiyo inabainisha kuwa katika hali zingine, algorithms inaweza, kwa sababu tofauti, kujihusisha na wizi wa moja kwa moja, kutoa michoro, picha na picha zingine ambazo zinakaribia kufanana na kazi ya watu halisi.

Kwa hivyo watafiti walitoa mapendekezo ya kuboresha umaalum wa seti ya awali ya mafunzo:

1- Kuondoa marudio katika vikundi vya mafunzo.
2- Chakata tena picha za mafunzo, kwa mfano kwa kuongeza kelele au kubadilisha mwangaza; Hii inafanya uwezekano wa kuvuja kwa data kuwa mdogo.
3- Kujaribu algorithm kwa kutumia picha maalum za mafunzo, kisha kuthibitisha kwamba haitoi tena kwa usahihi bila kukusudia.

nini kinafuata?

Majukwaa ya sanaa za uzalishaji hakika yamezua mjadala wa kuvutia hivi majuzi, ambapo usawa lazima utafutwe kati ya wasanii na watengenezaji teknolojia. Kwa upande mmoja, hakimiliki lazima iheshimiwe, na kwa upande mwingine, je, sanaa inayozalishwa na AI ni tofauti sana na sanaa ya binadamu?

Lakini hebu tuzungumze juu ya usalama. Karatasi inawasilisha seti maalum ya ukweli kuhusu modeli moja tu ya kujifunza kwa mashine. Kupanua dhana kwa algorithms zote zinazofanana, tunakuja kwenye hali ya kuvutia. Si vigumu kufikiria hali ambapo msaidizi mwerevu wa opereta wa mtandao wa simu hukabidhi taarifa nyeti za kampuni kujibu swali la mtumiaji, au kuandika hati potofu inayoutaka mtandao wa neva wa umma kuunda nakala ya pasipoti ya mtu fulani. Walakini, watafiti wanasisitiza kuwa shida kama hizo zinabaki kuwa za kinadharia kwa wakati huu.

Lakini kuna matatizo mengine halisi ambayo tunakumbana nayo sasa, kwani miundo ya kutengeneza hati kama vile: ChatGPT sasa inatumiwa kuandika msimbo hasidi.

Na GitHub Copilot husaidia waandaaji wa programu kuandika nambari kwa kutumia idadi kubwa ya programu huria kama pembejeo. Na zana haiheshimu kila mara hakimiliki na faragha ya waandishi ambao msimbo wao uliishia katika seti iliyopanuliwa ya data ya mafunzo.

Mitandao ya neva inapobadilika, ndivyo mashambulizi dhidi yao yatakavyokuwa, na matokeo ambayo hakuna anayeelewa bado.

Utabiri wa nyota wa Maguy Farah kwa mwaka wa 2023